Möt Qwen3.8-Flash: en open-weight multimodal MoE som ger en förhandsvisning av Qwen4-arkitekturen — $0,15/$0,47 per 1M tokens på QwenCloud

Den 26 augusti 2026 släppte Qwen-teamet vikterna bakom Qwen3.8-Flash som öppen källkod – publicerade på Hugging Face och ModelScope under namnet Qwen3.8-Flash-Next – och lanserade produktionsmodellen som bär namnet Qwen3.8-Flash på QwenCloud API, med officiell prissättning bekräftad dagen därpå. Huvudsiffran – officiellt bekräftad i Alibabas eget tillkännagivande den 28 augusti – är en multimodal mixture-of-experts med 125 miljarder parametrar som endast aktiverar cirka 6 miljarder parametrar per token, en gleshet på ungefär 95 %, byggd på en arkitektur som Alibaba uttryckligen beskriver som en tidig förhandsversion av Qwen4-generationen. Produktions-API:t är live på QwenCloud med $0,15 per miljon tokens vid inmatning, $0,47 per miljon tokens vid utmatning och $0,016 per miljon vid cacheträffar – det billigaste sättet att köra något som strukturellt härstammar från Alibabas nästa flaggskepp, och första gången laboratoriet har levererat en arkitekturförhandsvisning som publika öppna vikter innan hela modellfamiljen finns.

{{1}}En siffra väger tyngre än resten av specifikationsbladet: 6B.{{/1}} {{2}}Qwen3.8-Flash får inte sin förmåga från rå storlek — den får den från var den lägger beräkningen.{{/2}} {{3}}En 125B MoE-kropp, en 51B N-gram-inbäddningstabell och en liten multi-token-prediktionsmodul lagrar nära {{KEEP}}180B{{/KEEP}} parametrar på disken, men varje token dirigeras genom bara 6B av dem.{{/3}} {{4}}Det är det som hela den här releasen bygger på, och det är anledningen till att träningsnotan sjönk så mycket.{{/4}}

Vad som faktiskt levererades

Qwen3.8-Flash, utan suffixet, är den produktionssatta modellen som nu är live på QwenCloud API och i Alibabas Qw​en Office-produkt; den levereras med ett standardkontext på 1M-token och inbyggda verktyg, för 0,15/0,47 dollar per miljon tokens, med cacheträffar för 0,016 dollar. Den 28 augusti utökades tillgänglighetslistan: enligt Alibabas tillkännagivande är Qwen3.8-Flash nu också nåbar via OpenCode Go, den öppna källkodsbaserade terminalkodningsagentens fastprisabonnemang — OpenCodes egen modellista har den som qwen3.8-flash till samma priser på 0,15/0,47 dollar per miljon.

Den officiella Qw​en Studio-annonseringen ramar in open-weights-utgåvan som en inbjudan till ekosystemet: släpp de strukturella förändringarna tidigt så att communityn och inferensstackarna kan anpassa sig innan hela Qwen4-sortimentet byggs. Det första tecknet på att det fungerade är SGLang — inferensmotorn med stöd av LMSYS — som publicerade day-0-stöd för Qwen3.8-Flash-Next samma dag, med modellen också konfigurerad för Transformers, vLLM och TokenSpeed.

Arkitekturen är berättelsen

Detta är inte en nedskalad Qwen 3.8-generationsmodell. Qwen3.8-Flash introducerar fyra förändringar som teamet säger att Qwen4-familjen kommer att ärva, och var och en riktar in sig på en annan flaskhals.

• Attention — Gated DeltaNet plus Qw​en Sparse Attention. Gated DeltaNet (GDN) komprimerar historik till tillstånd av fast storlek i tre av fyra lager, så modellen läser inte om allt vid varje steg; QSA behandlar sedan lång kontext som ett sökproblem — en lättviktig indexerare aggregerar sekvensen till mikroblock, poängsätter blocknivåns relevans och dirigerar uppmärksamheten till de mest relevanta regionerna. Enligt Alibabas mätningar når QSA-uppmärksamhetskärnan upp till 7,6× snabbare prefill och 4,9× snabbare decode vid 1M-tokenkontext (leverantörsrapporterat).

Residual — Grindad residual. Den enda residualströmmen blir fyra parallella grenar med elementvis grindning, vilket låter nätverket besluta per token hur mycket det ska läsa och skriva på varje gren; en gren utvecklas till en långdistanskanal som kopplar tidiga attention-lager till djupa. Residualtillstånd lagras i FP8 för att minska minnesbandbredden.

• Inbäddning — N-gram-inbäddningar. En uppslagstabell med 51 miljarder parametrar, indexerad på den aktuella token plus flera föregående. Den ökar kapaciteten utan att öka beräkningskostnaden per token, och eftersom tabellen kan ligga i värdminnet och förhämtas asynkront, upptar den inte GPU-minnet permanent.

• Optimizer — Muon. Stora 2D-linjära parametrar (attention, GDN, MoE-experter) tränas med Muon, medan embeddings, routern och de lågrankiga delarna av Gated Residual behåller AdamW; teamet anpassade skalningslagen för den nya arkitekturen kring blandningen.

För en utvecklare är två av dessa direkt relevanta: attention-stacken är anledningen till att 1M-tokens kontext kan vara en standard snarare än ett sträckmål, och N-gram-tabellen är anledningen till att en 125B-modell fortfarande kan serveras resurssnålt. Resten är förhandsmaterial för Qwen4 — vilket är precis så Alibaba positionerar det.

Referensbladet, ärligt märkt

Varje siffra i detta avsnitt är Alibabas egen utvärdering, en dag gammal och inte reproducerad av något oberoende laboratorium vid skrivande stund. Betrakta dem som vägledande påståenden, inte fastställda resultat. I Alibabas svit noterar Qwen3.8-Flash-Next (6B aktiv) SWE-bench Pro 62,5, DeepSWE 1.1 58,7, CoWorkBench 73,9, AndroidWorld 84,5 och MathVision 95,7, med ett JobBench-resultat på 55,7 — och basvarianten, Qwen3.8-Flash-Next-Base, rapporteras vara den bästa öppna modellen på 8 av 14 benchmarks i en head-to-head-jämförelse, inklusive MMLU-Pro, SuperGPQA, BBH och MMMU.

Alibabas påståenden om familjepositionering bör stämplas som vad de är — påståenden. Företaget säger att Qwen3.8-Flash slår Claude Opus 4.6 med 9,1 poäng på SWE-bench Pro och ungefär 20 poäng på JobBench, och kommer inom räckhåll för Claude Opus 4.8. Allt leverantörsrapporterat, allt ej reproducerat. Vad som är oberoende verifierbart idag är snävare: vikterna är ute, inferensstacken kör dem redan, och SGLang släppte stöd samma dag. Den oberoende reproduktionen av benchmarktabellen ligger dagar bort, inte veckor.

Vad det kostar

Prissättningen är den enklaste delen att verifiera, eftersom det är ett publicerat pris snarare än ett riktmärke — och den 27 augusti bekräftade Alibaba officiellt produktionspriset för QwenCloud: $0,15 per miljon inmatningstokens, $0,47 per miljon utmatningstokens och $0,016 per miljon vid cacheträffar, med det inhemska Kina-priset på ¥0,8/¥2,7/¥0,1. Siffran för cacheträffar är den som spelar roll för agentiska arbetsbelastningar: en långkontextagent som läser om en stor historik varje tur betalar småpengar för upprepade läsningar, vilket är exakt den arbetsbelastning som Qwen4-previews attention-stack riktar in sig på. Kinesisk press jämförde omedelbart det offentliggjorda priset med konkurrenterna — ungefär en tredjedel av vad DeepSeek-V4-Flash tar, och ett avrundningsfel i jämförelse med de främsta stängda modellerna. Enligt Alibabas egen redovisning kostade träningskörningen ungefär en niondel av Qwen3.7-Plus, och det är den strukturella hävstången som gör att API-priset kan ligga där det ligger.

Bredvid resten av Qw​en 3.8-familjen är klyftan påtaglig: flaggskeppet Qwen3.8-Max fakturerar 2,00 och 6,00 dollar per miljon tokens, och det är redan live på OrcaRouter till leverantörens listpris utan påslag. Nu när produktions-API:et Qwen3.8-Flash är öppet gäller samma vidarekoppling för den officiella taxan på 0,15/0,47 dollar och 0,016 dollar per cache-träff — en routinglager är skillnaden mellan att läsa om en prissänkning och att ha den i en konfiguration. Båda modellerna bakom en nyckel, automatisk växling mellan dem, inget andra kontrakt.

Vad "förhandsvisning av Qwen4" betyder

Läs tillkännagivandet bokstavligt och insatserna är tydliga: detta är inte en ny nivå av Qw​en 3.8 — det är Qwen4:s arkitektur som levereras i förtid, under det skyddande varumärket av en mindre, billigare modell. Skälen till det är sunda: ramverk, kvantisering och distributionsmönster behöver tid att mogna, och en 6B-aktiv modell är ett billigt sätt för communityt att stresstesta GDN + QSA i stor skala innan Alibaba bygger den dyra saken ovanpå det. Baksidan är att produktions-Qwen3.8-Flash är ett API byggt på en arkitektur som det bredare ekosystemet fortfarande granskar. Tidiga användare är, till sin konstruktion, testsetet.

Den snabba vägen till att prova det.

Idag har du fyra realistiska alternativ. Självhosta de öppna vikterna via vLLM, SGLang, Transformers eller TokenSpeed – FP8-bygget är den förnuftiga första anhalten på allt som är mindre än en full nod. Anropa QwenCloud API, som nu är live till den officiella avgiften $0,15/$0,47 med träffar i cache för $0,016. Använd det i OpenCode Go, fastprisabonnemanget för den öppna källkodsbaserade terminalkodningsagenten, som lade till Qwen3.8-Flash den här veckan (tillkännagivet av Alibaba den 28 augusti, bekräftat på OpenCodes egen modellista). Eller anropa produktions-Flash via en router på samma sätt som du redan anropar Qwen3.8-Max, med den officiella avgiften vidarebefordrad utan påslag – ingen skräddarsydd integration att underhålla.

Den öppna frågan är den ärliga: kan en modell som aktiverar 6 miljarder av sina parametrar hålla måttet i produktion över en bred uppsättning arbetsbelastningar, eller kommer det riktmärkesblad som idag ser ut att vara en dag gammalt fortfarande göra det om en månad? Det är inte en anledning att vänta — det är en anledning att placera den bakom failover snarare än framför hela din stack. Vikterna är ute, priset är satt, och arkitekturen är Alibabas deklarerade inriktning. De närmaste veckorna avgör om 6B räckte.