Qwen3.8-Flash-Next 對決 Claude Opus 4.8：33 倍價格究竟換來什麼

Claude Opus 4.8 的定價為每百萬輸入 token 5.00 美元、每百萬輸出 token 25.00 美元，依據 A​nthropic 自家的價目表。Qwen3.8-Flash-Next 是 A​libaba 對 Qwen4 架構的開放權重預覽版——權重自 2026 年 8 月 24 日起在 Hugging Face 上，自 8 月 26 日起在 ModelScope 上——而在實際提供的 Qwen3.8-Flash 形態中，同樣的單位價格為 0.15 美元與 0.47 美元。換算下來，輸入是 33 倍、輸出是 53 倍，而這兩個模型在唯一同時評測過兩者的公開排行榜上，差距僅約兩分。這場對決看似一面倒，實則不然。這個倍數真正買到的東西，比差距所暗示的更狹窄、更具體，而找出你的工作負載需要其中哪一部分，就是整個決策的關鍵。

先把一件事說清楚，因為它會影響底下每一個數字：沒有人曾在具名測試框架上，以相同設定讓這兩者正面對決並公布結果。目前有的是各模型在 Artificial Analysis Intelligence Index 上的自身分數，而那些項目是在不同日期評估的，所以請把它們視為相鄰參考，而不是受控比較。這裡其餘內容則來自兩家廠商公開的資料，以及實際跑過這兩款中其中一款的獨立測試框架。

Claude Opus 4.8，出自 Anthropic 自家的官方文件

Claude Opus 4.8 於 2026 年 5 月 28 日發布，而 Anthropic 現在將其歸類為 legacy 模型：仍可使用、仍有販售，但已不再是 Opus 系列的旗艦。Anthropic 自家的模型總覽指出，你應該考慮遷移至 Claude Opus 5.5，而這項遷移的指南就連結自 4.8 的頁面本身。以下這點是關於該模型的事實，而非對它的貶抑：這裡的 legacy 意指在頂端被取代，而不是被撤回。

它所承載的內容：1M token 的上下文視窗與 128K 最大輸出，在 beta 標頭下的 Message Batches API 上提高至 300K。輸入可為文字與圖像，輸出為文字，並具備視覺、工具使用、JSON 與推理等支援能力。自適應思考，其中 effort 參數預設為 high——與 Opus 5.5 的預設不同，後者出廠預設為 medium，因此相同的 `effort` 值在兩者之間並不代表相同的思考預算。可靠的知識截止與訓練截止皆落在 2026 年 1 月，比目前的 Opus 世代落後五個月。定價為每百萬輸入 token $5.00、每百萬輸出 $25.00、每百萬快取讀取 $0.50、每百萬五分鐘快取寫入 $6.25、每百萬一小時快取寫入 $10.00，以及 Batch API 輸入與輸出固定 50% 折扣。A​nthropic 承諾至少會讓該模型可供使用至 2027 年 5 月 28 日。

它也不是博物館裡的展示品。模型 ID `claude-opus-4-8` 仍在 Claude API、Amazon Bedrock、Google Cloud、Microsoft Foundry 以及 AWS 上的 Claude Platform 上線運作，而 Anthropic 自己針對 Opus 5.5 的發布資料也記載，在那個較新的部署中，大多數網路安全請求依設計會被向下路由至 Opus 4.8。一個被指定為現行旗艦模型備援的模型，仍被要求執行真正的工作。

Qwen3.8-Flash-Next，出自 A​libaba 自家的卡片

Qwen3.8-Flash-Next 並不是 Qwen4 模型，而這個區別是阿里巴巴自己劃定的，並非外界的解讀。模型卡將它描述為一套架構的實驗性預覽，而這套架構日後將支撐 Qwen4——該架構刻意提早釋出，好讓執行環境與量化方式在整個系列登場時已準備就緒。它以 BF16 儲存約 180B 參數：一個 125B 的混合專家主體，每個 token 啟動 6B，另有一個獨立的 51B n-gram 嵌入表，以及約 4B 的多 token 預測層，橫跨 48 層、共 512 個專家，其中 10 個被路由、1 個為共享專家。真正全新的部分是注意力堆疊——36 層線性注意力層執行 Gated Delta Network，對上 12 層完整注意力層執行 Qwen Sparse Attention，這與整個 Qwen3.8 世代採用的大致三比一混合比例相同。

原生上下文為 262,144 個 token，可擴展至 1,000,000。輸入為文字、圖像與影片；輸出為文字。授權為 Qwen Community License 1.0，而非 Apache 2.0——這與該系列的 27B 有實質差異，而這類事情往往在左右了基準測試的爭論數個月之後，才左右了採購上的問題。阿里巴巴將開放權重定位為實驗性預覽版，而透過 Qwen Cloud 提供的 Qwen3.8-Flash 則定位為官方正式生產版本，預設具備 1M 上下文與內建工具。這些是否為不同服務配置下的同一組權重，模型卡上並未說明。

這些數字，依產出它們的人標示

阿里巴巴的模型卡是供應商表格，而這裡也如此標示。在該模型卡自身的語言評估中，Qwen3.8-Flash-Next 在 LiveCodeBench v6 上回報 91.9，GPQA Diamond 上 91.7，SWE-bench Multilingual 上 81.0，SWE-bench Pro 上 62.5，DeepSWE 1.1 上 58.7，CoWorkBench 上 73.9，JobBench 上 55.7。在該模型卡自身的比較列中，它在 HLE 上輸給某個 Claude 模型，35.9 對 40.0；在 NL2Repo-Bench 上也落後，48.1 對 54.2。有兩點但書來自該模型卡本身：若干結果採用內部基準，而 HLE 那一列註明它是由 GPT-4o 評判的——在把這個特定數字引用給任何人之前，這點值得知道。

Anthropic 並未針對 Claude Opus 4.8 使用那些相同測試框架發布任何對等的公開表格，因此不存在廠商對廠商的逐行比較，也不應從任何一方的表格推斷出這種比較。真正存在的是曾實際運行過兩者的第三方。Artificial Analysis 在其 Intelligence Index 上將 Claude Opus 4.8 評為 41.8——在其所排名的模型中位列第 23，百分位為 84——並將 Qwen3.8-Flash-Next 評為 40，在其比較類別的 113 個模型中排名第五。這兩個數字都來自同一家供應商的指數，這使它們成為現今最接近共同衡量標準的東西，但仍須留意上述關於評估日期的但書。

獨立全貌的其餘部分，全部來自 Artificial Analysis，而且全部是針對開放權重預覽版，而非實際提供服務的 Flash 變體：

• 知識工作 — Qwen3.8-Flash-Next 在 AA-Briefcase 拿下 1587 分、GDPval-AA v2 1647 分，並在 AutomationBench-AA 上取得 56%；AutomationBench-AA 是與 Zapier 共同打造、採用私人保留任務集的代理式工作流程基準測試。

• 終端機與科學工作——在 Terminal-Bench v4.0 上達 25%，在 SciCode 上達 51%，而在長時程儲存庫任務上的表現則弱得多。

• 推理——在同一供應商的測試框架上，Qwen 預覽版在 Humanity's Last Exam 取得 38%，而 Claude Opus 4.8 為 48.7%。在 GPQA Diamond 上，兩者實際上旗鼓相當：Alibaba 的模型卡上為 91.7，而 Opus 4.8 在 Artificial Analysis 上為 92.0。

• 事實召回與虛構 — Qwen 預覽版在 AA-Omniscience 為負 10，這項指標會懲罰自信滿滿的憑空捏造。在該測試框架上，Opus 4.8 並未公布對應數字，因此兩者無法就此相比。

• 速度 — Artificial Analysis 測得 Qwen 預覽版為每秒 53 個輸出 token，首個 token 耗時 2.80 秒，並稱其極為冗長：每項任務 108k 輸出 token，其中 72k 為推理 token。Claude Opus 4.8 在過去七天透過我們自家的 playground 量測，回傳每秒 66.7 個輸出 token，首個 token 中位數為 4.2 秒。由於測試框架不同，這些速率僅供參考，不宜視為競速結果。

• 上下文 — Qwen3.8-Flash-Next 為 262,144 原生與 1,000,000 擴展，對比 Claude Opus 4.8 的 1,000,000 原生。

若把這些當作一組來閱讀，而非一次只看一行，這種模式便與價格差距在兩個方向上都具有誤導性相符。便宜模型在知識工作、終端機任務與一般推理上確實很接近——比 33 倍價差所預期的更接近。昂貴模型則在冗長、模糊且出錯代價高昂的工作上領先，而且它原生具備 1M token 上下文，而非透過擴充而來。

價格問題，取決於決定它的單位

就每個 token 而言，差距極為懸殊，而這不過是根據公開數字所做的算術。在部署的 Qwen3.8-Flash 上，輸入便宜 33 倍，輸出則便宜 53 倍。相較於 Claude Opus 4.8。快取會讓這個差距在 Anthropic 相對於其自身輸入費率下略微縮小——Claude Opus 4.8 的快取讀取價格為每百萬美元 $0.50，是其輸入價格的十分之一——但部署的 Qwen3.8-Flash 在我們自家公開價目表上的快取讀取費率為每百萬 $0.0184，不到 Opus 4.8 對應價格的 4%。對於一個長期存在且被大量重複讀取的提示詞而言，這個差異會與其他所有因素朝同一方向複合累積。

「每完成一項任務」才是能挺過 token 冗長度檢驗的那個數字，而在這裡，誠實的答案是：這項比較在其中一側並不完整。Artificial Analysis 會為它實際跑過的模型公布每項任務的成本數字；這個預覽版本身的冗長程度——索引測試燒掉 245M 個 token，對比中位數 140M——意味著它的每 token 優勢在任務層級只是縮小，而非消失，而且並不存在這兩者在相同設定下的對照測試來一錘定音。如果你需要一個數字來做規劃，請用你自己的流量自行建模推估，而不是借用別人的 token 計數。

各自在什麼情況下才是正確的選擇

當工作事關重大且必須一次到位時，Claude Opus 4.8 就是正確的選擇：長時間跨度的代理式執行，一旦走錯分支便代價高昂、難以收拾；跨大型程式碼庫的複雜多階段除錯；以及任何早已針對 Claude 的思考與 effort 控制機制建置而成的東西——在這些情況下，完全相同的 `effort` 設定與 2026 年 1 月的知識截止點都是已知量，而非未知數。當你想要一份白紙黑字寫明日期的供應商承諾，以及一個至今仍是其後繼者最艱鉅流量之明文備援的模型時，它也是更穩妥的選擇。

Qwen3.8-Flash-Next 是正確的選擇，當工作負載偏廣而非偏深時——大批量分類、擷取、螢幕截圖與文件理解、代理式掃描（否則你會為了成本而分批處理）——以及當你想在 Qwen4 問世前幾個月，用自己的資料評估 Qwen4 架構時。它在知識工作與終端機任務上有強烈的獨立訊號；在長時程儲存庫生成與一次性代理通過率上則訊號薄弱，而這正是正式環境程式碼變更所在之處。在它接觸任何要緊事物之前，先讓它跑一份真實工作負載的低風險副本。

這條規則，說得直白一點：挑那個你承擔得起其失效模式的模型。如果一個錯誤答案的代價只是重試一次，那 33x 就是白撿的錢。如果一個錯誤答案的代價是凌晨三點要回滾，那麼較便宜的模型還沒贏得做出那個決定的資格——而它是帶有社群授權的實驗性預覽版、而非已發布的產品線，這件事本身就是部分原因，與分數無關。

在沒有第二份合約的情況下同時執行兩者

這個比較的兩端都已在同一份目錄中實際上線Claude Opus 4.8 的路由是 `anthropic/claude-opus-4.8`，每百萬個 token 收費 $5.00 與 $25.00——即 Anthropic 公布的定價原樣傳遞、0% 加價，因此即使那份價目表變動，這裡也不會有任何改變。Qwen 這一側實際提供服務的正式版本，路由是 `qwen/qwen3.8-flash`，收費 $0.15 與 $0.47，同樣採用供應商的定價，並具備 100 萬 token 的上下文，支援文字、圖像與影片輸入。

開放權重預覽版本本身倒是另一回事，而且值得直說：Qwen3.8-Flash-Next 並不在我們的路由之中。若要使用這個預覽版，你得從 Hugging Face 或 ModelScope 下載權重並自行部署服務——vLLM 從第一天就支援，並提供一條卸載路徑，把 51B 參數的 n-gram 嵌入表留在主機記憶體裡，而非長期佔用 VRAM；SGLang 與 TensorRT-LLM 都列在 NVIDIA 的 Day 0 清單上；Ollama 的函式庫則提供 Apple Silicon 的 MLX 版本。我們路由的是正式版，也就是你今天真正能呼叫的那一個。

對想要兩者的團隊來說，實務上的安排不是做出抉擇，而是拆分流量：一組金鑰、一個 SDK、一份帳單，把一定比例的請求送往便宜模型，並由自動容錯移轉吸收實驗性架構或老舊架構出狀況的時刻。這比這場對決的論述框架所暗示的，是更小的工程投入；而「該用哪一個」大多數有用的答案，實際上就是這樣找到的——讓兩者跑上一週真實流量，然後解讀結果。

什麼會改變這個頁面

三件事，按它們實際發生的可能性高低排序。在具名的評測框架上，以相同設定將 Qwen3.8-Flash-Next 與 Claude Opus 4.8 做對照評測，就能把上方每一句有所保留的話換成一個數字。完整 Qwen4 系列的到來，會讓這份預覽從「架構，早期」變成「上一代的架構」，而這會改變它的用途。而 Opus 產品線任何定價變動，都會重新開啟本頁核心的那個倍數——我們這邊轉嫁的 Qwen3.8-Flash 服務費率，會在供應商調整的同一天跟著變動，因此即使數字不動，這項比較依然保持最新。

在那之前，最常決定這組配對的單一事實並不是某個基準測試：而是便宜的一方是你自行部署的實驗性預覽版，昂貴的一方則是你以支援關係與 2027 年可用性承諾所租用的舊版模型。需要自己掌握整套技術堆疊、且能承受未經驗證架構的團隊，應該選擇 33x 並好好測試它。需要第一次就得到正確答案的團隊，則應該為那個失敗模式已被他們充分描述過的模型付費。