Qwen3.8-Flash-Next vs Claude Opus 4.8：33 倍的价格究竟能买到什么

Claude Opus 4.8 在 Anthropic 自家价目表上的标价是每百万输入 token 5.00 美元、每百万输出 token 25.00 美元。Qwen3.8-Flash-Next 是阿里巴巴对 Qwen4 架构的开放权重预览版——权重自 2026 年 8 月 24 日起在 Hugging Face 上线，8 月 26 日起在 ModelScope 上线——而以实际提供的 Qwen3.8-Flash 形态计，同样单位的价格是 0.15 美元和 0.47 美元。也就是说，在输入上相差 33 倍，在输出上相差 53 倍，而这两个模型在唯一同时评测过二者的公开榜单上，彼此只相差约两分。这场对比看似一边倒，实则并非如此。这个倍率真正买到的东西，比差距所暗示的更狭窄、也更具体，而弄清你的工作负载需要其中哪一部分，才是整个决策的全部所在。

有一点必须先说明，因为它会影响下面每一个数字：没有人让这两个模型在具名测试框架上以匹配的设置进行过正面对比并公布结果。现有的是每个模型在 Artificial Analysis Intelligence Index 上的自身得分，而这些条目是在不同日期评估的，所以应把它们视为相邻参考，而非受控对比。这里其余内容均来自两家厂商已发布的材料，以及实际运行过其中之一的独立测试框架。

Claude Opus 4.8，出自 Anthropic 自己的官方文档

Claude Opus 4.8 于 2026 年 5 月 28 日发布，而 Anthropic 现在将其归类为旧版模型：仍可获取，仍在售，但已不再是 Opus 系列的顶梁柱。Anthropic 自家的模型概览中表示，你应该考虑迁移到 Claude Opus 5.5，而这一迁移的指南就链接在 4.8 的页面本身。把这当作关于该模型的一个事实，而非对它的一项贬损：这里的“旧版”意味着在顶端被取代，而非被撤回。

它承载的内容：100 万 token 上下文窗口和 128K 最大输出，在 beta 标头下于 Message Batches API 上提升至 300K。输入为文本和图像，输出为文本，支持的能力包括视觉、工具使用、JSON 和推理。自适应思考，其 effort 参数默认为 high——与 Opus 5.5 的默认值不同，后者出厂为 medium，因此相同的 `effort` 值并不意味着两者具有相同的思考预算。可靠的知识截止时间和训练截止时间均落在 2026 年 1 月，比当前 Opus 世代落后五个月。定价为每百万输入 token 5.00 美元、每百万输出 token 25.00 美元、每百万缓存读取 0.50 美元、每百万五分钟缓存写入 6.25 美元、每百万一小时缓存写入 10.00 美元，并且对输入和输出提供统一的 50% Batch API 折扣。Anthropic 承诺该模型至少可用至 2027 年 5 月 28 日。

它也不是一件博物馆藏品。模型 ID `claude-opus-4-8` 仍在 Claude API、Amazon Bedrock、Google Cloud、Microsoft Foundry 和 AWS 上的 Claude Platform 中运行；而 Anthropic 自己为 Opus 5.5 发布的材料显示，在那个较新的部署中，大多数网络安全请求会按设计被下路由到 Opus 4.8。一个被指定为当前旗舰模型后备方案的模型，仍然在被要求承担实际工作。

Qwen3.8-Flash-Next，来自阿里巴巴自家的模型卡

Qwen3.8-Flash-Next 并不是 Qwen4 模型，而且这一区分是阿里巴巴自己作出的，而非外界的解读。模型卡描述了一个实验性预览版架构，该架构将成为 Qwen4 的基础——这一架构被有意提前发布，以便在该系列到来时，运行时和量化方案已经就绪。它以 BF16 精度存储约 1800 亿参数：一个 1250 亿参数的混合专家主体，每个 token 激活 60 亿参数；一个独立的 510 亿参数 n-gram 嵌入表；以及约 40 亿参数的多 token 预测层，共计 48 层，包含 512 个专家，其中 10 个被路由，1 个为共享专家。注意力堆栈是真正全新的部分——36 层线性注意力层运行 Gated Delta Network，对比 12 层全注意力层运行 Qwen Sparse Attention，这与更广泛的 Qwen3.8 代际所用的约三比一混合比例相同。

原生上下文为 262,144 个 token，可扩展至 1,000,000。输入为文本、图像和视频；输出为文本。许可证是 Qwen 社区许可证 1.0，而非 Apache 2.0——这与该系列的 27B 存在实质性差异，也正是那种会在决定基准测试争论数月之后，才决定采购问题的因素。阿里将开放权重定位为实验性预览版，而将通过 Qwen Cloud 提供服务的 Qwen3.8-Flash 定位为官方生产版本，默认具备 1M 上下文和内置工具。至于二者是否为不同服务配置下的同一套权重，模型卡上并未说明。

这些数字，按其产生者标注

阿里巴巴的模型卡是一张厂商表格，并且在这里也被标注为一张厂商表格。在模型卡自身的语言评测中，Qwen3.8-Flash-Next 在 LiveCodeBench v6 上报告 91.9，在 GPQA Diamond 上报告 91.7，在 SWE-bench Multilingual 上报告 81.0，在 SWE-bench Pro 上报告 62.5，在 DeepSWE 1.1 上报告 58.7，在 CoWorkBench 上报告 73.9，在 JobBench 上报告 55.7。在模型卡自身的对比行中，它在 HLE 上输给一个 Claude 模型，35.9 对 40.0；在 NL2Repo-Bench 上则以 48.1 对 54.2 落败。两个注意事项来自模型卡本身：若干结果使用的是内部基准测试，而且 HLE 那一行注明它是由 GPT-4o 评判的——在向任何人引用这个特定数字之前，这一点值得了解。

Anthropic 并未公布使用相同测试框架的 Claude Opus 4.8 等效公开表格，因此并不存在供应商之间的逐行对比，也不应从任何一方的表格中推断出这种对比。实际存在的是第三方对两者都进行了测试。Artificial Analysis 在其 Intelligence Index 上给 Claude Opus 4.8 评分为 41.8——在其排名的模型中位列第 23，处于第 84 百分位——并给 Qwen3.8-Flash-Next 评分为 40，在其比较类别的 113 个模型中位列第五。两个数字都来自同一提供方的指数，这使它们成为当今可用的最接近共同衡量标准的东西，但上文关于评估日期的说明仍然适用。

独立图景的其余部分，全部来自 Artificial Analysis，而且全部针对开放权重预览版，而非已提供服务的 Flash 变体：

• 知识工作 — Qwen3.8-Flash-Next 在 AA-Briefcase 上取得 1587 分，在 GDPval-AA v2 上取得 1647 分，并在 AutomationBench-AA 上取得 56%；后者是与 Zapier 共同构建的智能体工作流基准，基于私有的留出任务集。

• 终端与科研任务——在 Terminal-Bench v4.0 上为 25%，在 SciCode 上为 51%，而在长周期代码库任务上的表现则弱得多。

• 推理 —— 在同一厂商的测试框架下，Qwen 预览版在 Humanity's Last Exam 上的得分为 38%，而 Claude Opus 4.8 为 48.7%。在 GPQA Diamond 上，两者实际上旗鼓相当：阿里巴巴官方数据为 91.7，而 Artificial Analysis 上 Opus 4.8 为 92.0。

• 事实回忆与虚构 — Qwen 预览版在 AA-Omniscience 上为负 10，该指标会惩罚自信的凭空编造。Opus 4.8 在该评测框架上没有公布对等数值，因此无法在这项指标上对两者进行比较。

• 速度 — Artificial Analysis 测得 Qwen 预览版每秒输出 53 个 token，首 token 时间为 2.80 秒，并称其非常啰嗦：每个任务输出 108k 个 token，其中 72k 为推理 token。Claude Opus 4.8 通过我们自己的 playground 在过去七天测得每秒输出 66.7 个 token，首 token 中位数为 4.2 秒。测试框架不同，因此这些速率仅供参考，而非竞赛结果。

• 上下文 — Qwen3.8-Flash-Next 为 262,144 原生，并可扩展至 1,000,000；而 Claude Opus 4.8 为 1,000,000 原生。

整体来看，而不是逐行来看，这种模式与价格差距在两个方向上都具有误导性这一判断相符。便宜的那款模型在知识工作、终端任务和通用推理上确实很接近——比 33 倍的价格差所预示的更接近。昂贵的那款模型在任务漫长、模糊且出错代价高昂的工作中领先，而且它原生具备 1M-token 上下文，而不是通过扩展实现。

价格问题，取决于决定它的那个单位

按 token 计，差距十分悬殊，而且这不过是对已公布数字做的算术。在已上线的 Qwen3.8-Flash 上，输入比 Claude Opus 4.8 便宜 33 倍，输出便宜 53 倍。缓存会略微缩小这一差距，且是相对于 Anthropic 自身的输入价格而言，对其有利——Claude Opus 4.8 的缓存读取为每百万 $0.50，是其输入价格的十分之一——但在我们自己公布的价目表上，已上线的 Qwen3.8-Flash 的缓存读取费率为每百万 $0.0184，不到 Opus 4.8 对应价格的 4%。对于长期存在且被大量重复读取的提示词，这一差异会与其他所有因素朝同一方向叠加放大。

按每完成一项任务计算的成本，才是能穿透 token 冗长度的那个数字；而这里诚实的回答是，这一比较在一边并不完整。Artificial Analysis 会为其运行过的模型公布每任务成本数据；而该预览版自身的冗长程度——在索引运行中烧掉了 245M tokens，而中位数是 140M——意味着它的每 token 优势在任务层面只是缩水，而非消失，并且并不存在这两者在相同设置下的运行来一锤定音。如果你需要一个数字来做规划，请基于你自己的流量自行建模，而不是借用别人的 token 计数。

每种选择在什么情况下才是正确的

当工作任务高风险且必须一次成功时，Claude Opus 4.8 就是正确的选择：长时间跨度的智能体运行，一旦走错分支就难以挽回且代价高昂；跨大型代码库的复杂多阶段调试；以及任何已经基于 Claude 的思考与 effort 控制构建的东西——在这些场景中，相同的 `effort` 设置和 2026 年 1 月的知识截止日期都是已知量，而非未知数。如果你想要一份带有明确日期的供应商承诺，以及一个在其继任者处理最艰难流量时仍被记录为兜底方案的模型，它也是更稳妥的选择。

Qwen3.8-Flash-Next 是合适之选，当工作负载面广而非纵深时——大批量分类、信息抽取、截图与文档理解、原本为控制成本而不得不批处理的智能体批量扫描——以及当你希望在 Qwen4 问世前数月，就用自己的数据评估 Qwen4 架构时。它在知识工作与终端任务上具有较强的独立信号；在长周期仓库级生成与智能体单次通过率上信号较弱，而这恰恰是生产代码变更所在之处。在它接触任何要紧的事务之前，先用一份低风险的真实工作负载副本对它进行测试。

规则，直白地作为规则来说：选择其失败模式你承受得起的模型。如果一次错误答案的代价只是重试一次，那么 33 倍就是白赚。如果一次错误答案的代价是凌晨 3 点做一次回滚，那么更便宜的模型还没有赢得做出这个决定的资格——而它是带社区许可证的实验性预览版，而不是已发布的产品线，这一点正是部分原因，与评分无关。

同时运行两者，无需第二份合同

此次对比的两端都已在同一个目录中上线。Claude Opus 4.8 的路由为 `anthropic/claude-opus-4.8`，价格为每百万 token $5.00 和 $25.00——Anthropic 公布的列表价格以 0% 加价直通，因此如果那张费率卡发生变化，这里也不会有任何变化。Qwen 一侧所服务的生产变体路由为 `qwen/qwen3.8-flash`，价格为 $0.15 和 $0.47，同样按提供商的列表价，在 1M token 上下文上支持文本、图像和视频输入。

开放权重预览版本身是另一回事，值得直说：Qwen3.8-Flash-Next 并不在我们的路由之列。要使用该预览版，你需要从 Hugging Face 或 ModelScope 下载权重并自行部署——vLLM 从第一天起就支持它，并提供一条卸载路径，将 510 亿参数的 n-gram 嵌入表保留在主机内存中，而不是长期占用显存；SGLang 和 TensorRT-LLM 在 NVIDIA 的 Day 0 列表中，Ollama 的库中则带有面向 Apple Silicon 的 MLX 构建。我们路由的是生产变体，也就是你今天真正可以调用的那个。

对于两者都想要的团队来说，务实的做法是流量分流，而不是二选一：一个密钥、一个 SDK、一份账单，将一定比例的请求发送给廉价模型，同时用自动故障转移来吸收实验性架构或老旧架构出问题的那些时刻。这比这场对决的框架所暗示的工程投入要小，而且“该选哪一个”的大多数有用答案，其实就是这样找到的——让两者都跑上一周真实流量，然后读结果。

什么会改变这个页面

三件事，按其实际发生的可能性从高到低排列。在具名测试框架上对 Qwen3.8-Flash-Next 与 Claude Opus 4.8 进行同设定评估，会用数字取代上文每一句含糊其辞的话。完整 Qwen4 系列的到来，将让这个预览版从“该架构的早期形态”变成“该架构的上一代”，从而改变它的用途。而 Opus 产品线上的任何定价动作，都会重新打开本页核心的那个倍数——我们这边转出的 Qwen3.8-Flash 服务费率，会在提供商调整它的同一天同步变动，因此即使数字没有变化，对比也依然保持最新。

在此之前，最常决定这种搭配的单一因素并不是基准测试，而是：便宜的一方是你自行部署的实验性预览版，昂贵的一方是你通过支持关系租用的遗留模型，并附带 2027 年可用性承诺。需要拥有整个技术栈、并且能够承受未经证实架构的团队，应该选择 33x 并对其进行充分测试。需要一次就得到正确答案的团队，则应该为那种已对其失效模式了如指掌的模型付费。