Qwen3.8-Flash-Next 對比 Qwen3.8-27B：Qwen4-preview MoE 對上開放權重的主力

關於 Qwen3.8-Flash-Next 令人意外的地方，不在於阿里巴巴宣稱每個 token 僅啟動 60 億參數的模型能擊敗大多數開源模型——而在於服務它所需的記憶體，比它所被拿來比較的 270 億參數密集模型還要多。Qwen3.8-Flash-Next 於 2026 年 8 月 26 日作為 Qwen4 架構預覽版開源，將一個 510 億參數的 N-gram 查找表存放在系統 RAM 而非 VRAM 中；Qwen3.8-27B 是 Apache-2.0 授權的多模態密集模型，於 8 月中旬推出，是當前 Qwen 3.8 世代中開源權重的主力，以 4-bit 量化即可放進單張 24GB 顯示卡。在阿里巴巴自家的基準測試表上，新的 MoE 在 22 項對比基準中贏過 27B 達 21 項。而在獨立證據方面——競技場排名、法律代理人研究、第三方吞吐量測量——兩者之中只有 27B 擁有這些。這個組合就是全部的決策依據。

{{1}}一句話總結這場對決：兩款同世代的開放權重、文字加視覺模型，具備相同的 262K 原生上下文，皆為在資料中心之外運行而設計——但在架構、授權、價格，以及有多少說法已獲驗證等方面，兩者截然不同。{{/1}}Qwen3.8-Flash-Next 是稀疏 MoE 模型，預演了 Qwen4 預期將繼承的一切。Qw​en3.8-27B 是稠密模型，將阿里巴巴打造 2.4T 旗艦時學到的經驗，壓縮成單張 GPU 即可運行的規模。要在兩者之間做選擇，與其說取決於能力——阿里巴巴表示預覽版領先——不如說取決於你是否信任一份剛發布一天的廠商規格表，勝過一個已被社群徹底剖析的模型。

計分板

先談來源：以下每個 Qwen3.8-Flash-Next 的數據都是阿里巴巴自家發布，{{1}}僅有一天歷史且未經複現{{/1}}。Qwen3.8-27B 的頭條基準測試宣稱同樣由阿里巴巴報告，但 27B 擁有獨立驗證結果 — {{2}}人類偏好競技場排名、法律領域研究，以及 AMD 吞吐量測量{{/2}} — {{3}}這些都是預覽版無法比擬的{{/3}}。

• 總參數 — Qwen3.8-Flash-Next：125B MoE + 51B N-gram + MTP（儲存約180B），6B 活躍。Qw​en3.8-27B：約27B 密集參數（含視覺編碼器為28B），全部活躍。

• 架構 — Qwen3.8-Flash-Next：Qwen4 預覽版 — Qwen Sparse Attention 與 Gated DeltaNet 交替，具門控殘差、N-gram 嵌入，以 Muon 進行訓練。Qwen3.8-27B：48 個 GDN 線性注意力層加上 16 個完整注意力層（3:1），密集。

• 上下文 — 原生支援 262,144 個 token，可透過 YaRN 擴展至 1M。

• 模態 — 兩者皆接受文字、圖片與影片輸入，並回傳文字。

• 授權 — Qwen3.8-Flash-Next：qwen-community-1.0。Qw​en3.8-27B：Apache 2.0。

• 價格 — Qwen3.8-Flash-Next：$0.16 / $0.47 每 1M（已公布；正式 API 尚未開放）。Qw​en3.8-27B：$0.33 / $2.40 每 1M，今日上線。

• 執行佔用空間 — Qwen3.8-Flash-Next：51B 表存放於主機 RAM，約需 96GB 系統記憶體，外加任何 GPU；FP8 約 186GB，Q4 GGUF 約 82GB。Qw​en3.8-27B：BF16 約 55.6GB，4-bit 版本可裝入 24GB 顯示卡。

• 獨立證據 — Qwen3.8-Flash-Next：尚無。Qw​en3.8-27B：Arena.ai Image-to-WebDev 排名第一的開放模型、Code Arena WebDev 整體第九名、Harvey 法律代理基準排名第一的開放權重、AMD 實測吞吐量。

根據阿里巴巴自己的數據，預覽版幾乎全面勝出

阿里巴巴公布的對比數據顯示，Qw​en3.8-Flash-Next 在 22 項語言與視覺基準中，有 21 項取得與 Qw​en3.8-27B 相當或更佳的成績，而且這些領先並非表面功夫。在 SWE-bench Pro 上，62.5 對 61.7 只是小幅領先；但 DeepSWE 的 58.7 對 42.2、JobBench 的 55.7 對 33.4，以及 CoWorkBench 的 73.9 對 70.7，則是在 Flash 等級所鎖定的代理式與辦公室工作負載上，出現了實質差距。預覽版的頭條數據——LiveCodeBench v6 91.9、GPQA Diamond 91.7、MathVision 95.7——同樣超越了阿里巴巴表格中 27B 對應的成績。這次發布的核心論點，用數據來講就是：以極小部分的有效運算量，獲得較大的 Qw​en 3.8 系列大部分推理與程式編寫能力。

把標籤貼在那句話上。這些是阿里巴巴自己的評測結果，出自阿里巴巴自己的評測框架；預覽版的情況才一天前出爐，且兩者皆未經重複驗證。KGP Talkie 的架構拆解在這場對比中排名居前，也得出了相同型態的結論，但它依據的是同一份廠商資料表。廠商的表格只是一種承諾；本段內容沒有任何部分經過獨立證實。

27B 擁有而 Flash-Next 沒有的：證據

這是雙方對比不再懸殊的地方。Qw​en3.8-27B 開源兩週以來，社群已產出三個獨立的數據點。在 Arena.ai 的 Image-to-WebDev 排行榜上——由真人盲測投票，決定兩個匿名輸出中哪一個更值得採用——27B 在開源模型中排名第一，整體排名第七，報告分數為 1,574。在姊妹榜 Code Arena WebDev 上，它以 1,595 分位居整體第九，是同級尺寸中唯一進入前十的模型。法律 AI 公司 Harvey 和 Engram 進行了一項模擬律師事務所研究，將改編版 27B 放在其法律代理基準的頂端——但前提是該模型事先研讀過測試語料庫，因此這證明了微調的上限空間，而非原廠權重的分數。AMD 發布了 Day-0 吞吐量測量數據：在 Ryzen AI Max+ 395 上為每秒 24.5 個 token，在 Radeon AI PRO R9700 上為每秒 51.8 個 token。這些都不是通用品質分數——27B 仍未有 Artificial Analysis 指數——但每一項都是實際運行過該模型的第三方數據。

Qwen3.8-Flash-Next 完全沒有那些。它整份基準測試表都是阿里巴巴的，撰寫本文時才出爐幾小時，而且沒有任何獨立實驗室重現過任何一列。這不是指控；這就是「剛發布一天」的定義。但正是這種不對稱性應該左右你的選擇：預覽版在僅有的數據上領先，而每一筆數據都是由希望你相信它的廠商寫下的。

部署分支

這兩個模型之間的實際差異在於參數存放的位置，而這決定了你需要什麼硬體。Qwen3.8-Flash-Next 刻意將其 51B N-gram 嵌入表卸載到主機記憶體，以便進行非同步預取——這就是為什麼它增加 51B 參數容量卻不增加每個 token 的運算量。其後果是，該模型無法像先前的本機 Qw​en 那樣放進 24GB 的消費級顯示卡。社群估算 Q4 GGUF 總共約 82GB（約 58GB 的主要權重加上 24GB 的查找表），FP8 版本約 186GB，BF16 約 360GB；可行的配置是一台擁有約 96GB 系統 RAM 的機器，再加上任何能運行有效 6B 的 GPU。其回報在於每個 token 的運算成本很低——這是該架構的整個賭注——而且長達 1M token 的上下文仍能維持可負擔的價格，因為 GDN 層會壓縮歷史記錄，而不是讓 KV cache 不斷增長。

Qw​en3.8-27B 則是另一種方向的模型：它是密集模型，因此每個 token 都要跑全部 27B 參數，但體積夠小，整個模型可以放進你已有的硬體裡。BF16 權重大約是 55.6GB；在 4-bit 量化下，它可以跑在 24GB 的顯示卡上，例如 RTX 3090 或 4090；而 AMD 的測試數據顯示，在 AI Max 等級與 Radeon PRO 硬體上，它可達到每秒 24.5 至 51.8 個 token。如果限制是單一台工作站，27B 是真正放得下的選擇；如果限制是規模化後的每個 token 成本，Flash-Next 才是帳面上勝出的那一個。

定價分歧

API 價格從另一面印證了同樣的情況。Qw​en3.8-27B 今天已在 OrcaRouter 上線，每百萬輸入 token 收費 $0.33，每百萬輸出 token 收費 $2.40，供應商列表價格以零加價原價轉傳——自託管選項也變得可調用，無需購買 GPU。Qwen3.8-Flash-Next 目前尚未路由到任何地方：在正式版 Qwen3.8-Flash 以公告的 $0.16/$0.47 價格於 QwenCloud API 上線之前，開放權重是唯一途徑。當該 API 開放時，同樣的原價轉傳會讓 $0.16/$0.47 的價格在當天就落在我們這端，與 27B 使用同一個金鑰，並在兩者之間自動故障轉移——因此，要採用一個剛問世一天的架構，正確做法不是把生產環境押在它身上，而是將部分流量指向它，以經過驗證的模型作為後備。路由層也可以代理你自己託管的模型，這正是目前評估 Flash-Next 開放權重的實際途徑，無需再進行第二次整合。

要執行哪一個？

如果想現在就跟上 Qwen4 的方向，請選擇 Qwen3.8-Flash-Next；如果你的工作量夠大，讓 $0.16/$0.47 對比 $0.33/$2.40 成為實際考量的數字，或者你有足夠的 RAM 可以自行部署，而且能接受供應商規格表上的條件，也請選擇它。如果你需要 Apache-2.0 授權條款、單張 24GB 顯示卡、現在就能呼叫的模型，或任何程度的獨立證據，請選擇 Qwen3.8-27B——它是兩者中唯一曾由阿里巴巴以外的人執行過的模型。

以上兩張截圖分別是兩個部分的公開介面：{{1}}OrcaRouter 清單中顯示 Qw​en3.8-27B 目前以 $0.33/$2.40 提供服務{{/1}}，以及 {{2}}Hugging Face 上的 {{KEEP}}Qwen/Qwen3.8-Flash-Next{{/KEEP}} 模型卡片{{/2}}。

而誠實的結尾是一個問題，因為證據基礎只有一天：一個啟動其60億參數的模型，能否在獨立重現下保持21/22的成績？還是那份讓它輕量服務的N-gram表，也正是它在真實工作負載上失敗的原因？27B已經經受了兩週的社群檢視。Flash-Next正處於27B兩週前的位置——這正是應該並行運行兩者、而非二選一的最佳理由。