Qwen3.8-Flash-Next 发布：揭秘阿里巴巴 Qwen4 架构预览

{{1}}Ali​baba于2026年8月26日发布的最有用的文档并非新闻资料包，而是一份技术报告。{{/1}}{{2}}Qwen3.8-Flash-Next（当天发布的开放权重多模态混合专家模型）随附了一篇题为"On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability"的论文，{{/2}}而这份报告才是重头戏。{{3}}它做到了厂商发布新品时几乎从不会做的事情：{{/3}}它公布了消融实验、负面结果和训练配方实验，然后将每项发现与{{4}}该模型旨在预览的{{/4}}Qwen4系列架构联系起来。

8月26日实际发布了什么

就Qwen在2026年的标准而言，这个模型本身颇为克制，而这正是有意为之。Qwen3.8-Flash-Next存储了125B主模型参数，外加一块独立的51B n-gram嵌入表——不计4B多token预测模块，总共约176B——但每个token仅激活6B参数。它是一个512专家的混合专家模型，采用top-10路由和48层架构，原生支持262,144个token的上下文，并可通过YaRN扩展到1M。它接受文本、图像和视频输入，输出文本。权重以qwen-community-1.0许可证发布在Hugging Face和ModelScope上，而Ali​baba自己的博客称其为“一个将支撑Qwen4的架构的实验性预览”——与Qwen3-Next对Qw​en3.5系列所扮演的角色相同：一羽在旗舰之前飞出的金丝雀。

同一天，Ali​baba启用了其商业对应版本：一个在QwenCloud API上提供的托管构建，名为Qwen3.8-Flash，输入每百万token收费0.16美元，输出每百万token收费0.47美元。这两者很容易混淆，值得分清。Qwen3.8-Flash-Next是技术报告剖析的开放权重预览版；Qwen3.8-Flash是生产级API构建，已定价，默认支持1M token上下文，并兼容Open​AI和Anthropic的请求格式。价格、基准测试和架构论证都源自同一套工程。

技术报告中的四项架构押注

这篇论文的主干是四个赌注，关乎一个长上下文、低成本的前沿模型应当是什么样子，每个赌注都附有实验支撑。

• 注意力机制——GDN + QSA 混合架构。每四层中有三层使用 Gated DeltaNet，这是一种线性注意力层，将历史信息压缩为固定大小的循环状态，而非随序列长度增长的 KV 缓存。剩余一层是 Qw​en Sparse Attention，它将序列聚合为微块，以低成本为其评分，并且只对关键区域运行完整注意力。Ali​baba 报告称，在 1M 上下文下，prefill 速度提升最高达 7.6×，decode 速度提升最高达 4.9×；SGLang 自己的 day-0 基准测试结果更高，分别为 10.2× 和 6.6×。在 90% 前缀缓存命中率下，prefill 吞吐量达到 Qwen3.7-Plus 的 8.6×。这些是供应商与合作伙伴报告的数据，并非经独立审计的结果。

• 残差流 —— 门控残差。单条残差路径被扩展为四个并行分支，采用逐元素动态门控，这是一种 Hyper-Connection 风格的多分支设计，带有 GatedNorm 风格的控制。门控调节每个分支的读取和写入，论文称这能抑制激活异常值，并且在实际中使残差状态能够以 FP8 存储。

• 嵌入（Embedding）——即 51B 的 n-gram 表。模型并非为每个 token 提供一个嵌入，而是以当前 token 及其前面的 token 为键查询查找表，从而存储完整短语和局部模式。这样每个 token 的代价几乎为零；由于查找地址事先已知，它可以驻留在主机内存中并通过异步预取加载，完全不占 GPU 内存。正是这一技巧让存储容量达 176B 的检查点得以在 75GB 级别的机器上运行，其思路可追溯至 Gemma 3n 的逐层嵌入和 DeepSeek 的 Engram。

• 优化 — Muon，已调优。训练使用 Muon 优化器，这是一种基于正交化的动量方法，应用于二维线性映射（注意力、GDN 和 MoE 专家权重），而 AdamW 则保留用于嵌入、路由器和低秩参数。论文还报告了一个值得一读的负面结果：批量大小预热被放弃了，因为事实证明它会多消耗 18.8% 的优化器步数，却没有带来任何改进。

仔细阅读基准表。

这里的每一个头条数字都是 Qw​en 自己的，发布在模型卡和报告中，而且这些数字都没有被独立复现——这个模型才发布一天，还没有第三方对其进行审计。即使这样看待，它仍然令人瞩目，因为 Qwen3.8-Flash-Next 正在与 DeepSeek-V4-Flash-0731 一较高下，后者是一个更大且更成熟的模型，而前者仅用 6B 激活参数。

• DeepSWE 1.1 — 58.7 对比 54.4（供应商报告）

• SWE-bench Pro — 62.5 对比 56.0（供应商报告）。

• Toolathlon 已验证 — 73.5 vs 70.3（厂商报告）。

• LiveCodeBench v6 — 91.9 对比 90.6（供应商报告）。

• GPQA Diamond — 91.7 vs 90.8（供应商报告）。

• IFBench — 81.3 对比 79.2（厂商报告）。

然后，报告公开指出的差距是：NL2Repo-Bench 上 48.1 对 DeepSeek-V4-Flash-0731 的 54.2——在仓库级代码生成上确实存在明显不足，而这是智能体编码中较小模型唯一跟不上的维度。在 Agents' Last Exam 上则基本打平：24.3 对 25.2。在办公自动化方面，Qw​en 报告 CoWorkBench 为 73.9——但那是内部基准，Ali​baba 没有把它放进主图表。

在视觉方面，自我报告表格显示AndroidWorld为84.5，而Claude Opus 4.6 Max为62.0；RealWorldQA为88.5，对比73.9。Humanity's Last Exam是Qw​en唯一一项完全输给Claude Opus 4.6 Max的头条指标——而且该分数的评判本身是由GPT-4o完成的，所以即便这个对比也不够干净。

价格：旗舰产品的十二分之一

{{1}}接下来是预算真正关心的数字。在QwenCloud上，托管的Qwen3.8-Flash版本定价为每百万输入token 0.16美元、每百万输出token 0.47美元。这大约是Ali{{2}}baba自家旗舰模型Qwen3.8-Max价格的十二分之一——后者每百万输入token收费2.00美元、每百万输出token收费6.00美元——而报告称，该模型的训练算力约为Qwen3.7-Plus的九分之一。中国模型厂商整个夏天都在下调flash级产品的价格，而此次发布正是Qw{{3}}en在这场攻势中的落子，它附带了架构上的理由，而不仅仅是一次降价。{{/3}}{{/2}}{{/1}}

对于任何在同类产品中进行比较的人来说，当每个提供商都显示相同的数字时，计算就更容易了。OrcaRouter 以提供商的标价、0% 加价路由 Qwen 系列的其他成员——Qwen3.8-Max、Qwen3.8-27B 和 Qwen3.8——因此，供应商降价的消息一经宣布，我们这边就会立即生效。Qwen3.8-Flash-Next 尚不在我们的目录中；一旦它进入我们路由的运行时，它就会像其他模型一样，无需第二份合同即可纳入同一个一键式标价设置。

如今你可以用它做什么

首日服务支持异常广泛。SGLang 提供了 cookbook 页面和专用镜像（lmsysorg/sglang:qwen38flashnext）；vLLM 则有 vllm/vllm-openai:qwen38-flash-next；NVIDIA 对两者以及 TensorRT LLM 在 GB300 NVL72 机架上进行了验证，FP8 下每 GPU 每秒超过 16,000 个 token，NeMo 则覆盖了微调。在数据中心规模之下，该模型可运行于 DGX Spark 集群和 4×RTX PRO 6000 工作站上，此外，同日发布的社区量化系列——Unsloth 的 GGUF 以及可在 75GB 内存中运行、准确性约为完整版 80% 的 1-bit 构建——意味着这个存储大小为 176B 的检查点确实可以在小团队自有的硬件上运行。那些更愿意调用而非自行运行的团队，可以通过阿里巴巴自家的 QwenCloud 以及多个第三方平台使用 Qwen3.8-Flash API，不过大多数早期采用者首先拿到的还是开放权重。

那份列表背后的 VRAM 计算就是 n-gram 表，也是各 serving 栈下一步要收敛之处。技术报告把每层嵌入保留在 GPU 内存之外，它是一个纯查找结构——每生成一个 token，模型只从其 3.2 亿行中拉取约 16 行——这正是 offload 成本低廉的原因。vLLM 在架构支持的 pull request 仍未合并的情况下，从专用 dev 镜像提供 Qwen3.8-Flash-Next；这项工作的最新部分，是来自同一位 vLLM 作者的 draft PR（vllm-project/vllm#54371，尚未合并），新增了一条 PLE-Offload serving 路径，把表保存在主机内存中，并通过 CUDA 统一虚拟寻址读取，而不是预留 VRAM。在 FP8 下，该表约占 ~173GB checkpoint 里的 48GB，因此 offload 它，决定着你需要的是数据中心 GPU 还是单张 96GB 显卡——一块 RTX PRO 6000，或一个 DGX Spark 的统一内存池。现在还为时过早，请把它视为方向，而不是今天受支持的选项；但这是运行时在追赶技术报告早已声称的内容，也是如果你一直是被 VRAM 的数字所制约，值得关注的东西。

一个只存在一天、数据无法复现的预览版，正是教科书式的案例——不应该把生产路径押在它上面，而这正是故障转移的用武之地。如果运行时搭载了 Qwen3.8-Flash-Next，你将一个端点指向它，并配置自动故障转移到你已信任的模型，那么你既能在非关键流量上享受到新架构的优势，又能在它表现不佳时获得干净的降级方案——无需重新接线，因为这是路由规则，而不是代码变更。

这个预览透露了Qwen4的哪些信息

Ali​baba以前就玩过这一套。Qwen3-Next在2025年底预览了Gated DeltaNet，文档寥寥无几，直到Qw​en3.5系列大规模采用后，该架构才得到完整定义。如今这一模式正在重演：Qwen3.8-Flash-Next是金丝雀，这份报告则是以实验来书写规格。值得关注的具体要点在于：Qwen4旗舰是否会采用GDN与QSA三比一的拆分比例；n-gram嵌入能否在旗舰规模的生产服务中经受住考验；以及最关键的——独立评测能否证实6B-active相比更大模型的优势。如果效率论点成立，Qwen4旗舰可能会以远低于上一代的推理服务成本问世。

常见问题

Qwen3.8-Flash-Next 和 Qwen3.8-Flash — 是同一个模型吗？

不，两者的区别很重要。Qwen3.8-Flash-Next 是技术报告所分析的开放权重架构预览版；Qwen3.8-Flash 则是阿里巴巴在 QwenCloud 上提供的生产级 API 构建版本，定价为每百万 token 0.16/0.47 美元，默认上下文长度为 100 万。两者工程同源，但产物不同——一个用于自托管和检视，另一个是收费的托管服务。

如今生产工作负载应该迁移到它吗？

不是没有第二意见就不能作数。每项基准测试都是厂商自报且未经复现的；这个架构足够新，服务栈仍在趋同之中——vLLM 自身的支持还在通过开放的拉取请求陆续落地——而且唯一一个智能体编码缺口（NL2Repo）恰恰落在生产环境程序员会遇到的这类任务上。开放权重让你可以低成本地自行评估，而 SGLang 和 vLLM 的 day-0 支持也让本周就能启动试点成为可能——但以故障转移为后盾的试点才是诚实的起步方式，而不是直接切换。

Qwen4 实际什么时候发布？

Ali​baba 尚未表态。本次发布中唯一的时间信号是历史性的：上一次金丝雀版本 Qwen3-Next 大约在其架构被 Qw​en3.5 系列采用的一个季度前发布。按照这个节奏，Qwen4 的旗舰型号比看起来更近——但该报告明确是关于架构的，而非路线图。

底线

Qwen3.8-Flash-Next 是少有的将论文作为产品本身的发布。就模型本身而言，诚实的成绩单如下：6B 激活参数在大多数共享基准测试中媲美远大于它的模型，在仓库级代码上存在一个已指出的差距，服务价格仅为旗舰版的十二分之一，还有一个架构——这是 Qw​en 对前沿模型如何变便宜的答案。技术报告说明了 Qwen3.8-Flash-Next 的用途——而它不是模型本身。它是将成为 Qwen4 的架构的证据，值得在 Qwen4 发布之前阅读，因为它所改变的决策，正是你在 Qwen4 到来时将要做出的那个。