ByQwen3.8-Flash-Next 上线：Qwen4 架构预览版，主打训练与推理效率
阿里巴巴通义千问团队于 2026 年 8 月 26 日发布 **Qwen3.8-Flash-Next**，作为 Qwen4 架构的早期开源预览版。该模型采用多模态 MoE 架构，主模型参数量 125B，额外配备 51B N-gram Embedding，每次推理仅激活 6B 参数。模型原生支持 262K 上下文，可扩展至 100 万 Token，在 Coding 和 Agent 任务上表现出较强性能，同时训练成本仅为 Qwen3.7-Plus 的约九分之一。
阿里巴巴通义千问团队于 2026 年 8 月 26 日正式发布 Qwen3.8-Flash-Next。该模型是 Qwen4 架构的早期预览版本，旨在让开源社区提前了解下一代架构的关键设计方向。
Qwen3.8-Flash-Next 采用多模态 MoE（混合专家）架构，主模型参数量为 1250 亿，额外配备 510 亿 N-gram Embedding 参数，每次推理仅激活 60 亿参数。模型原生支持 262,144 Token 上下文，可通过 YaRN 扩展至 100 万 Token。
架构：四大方向系统升级
据官方介绍，模型围绕四个方向进行了系统升级，这些创新将构成 Qwen4 系列的基础：
- Attention：采用 GDN（Gated DeltaNet）+ QSA（Qwen Sparse Attention）混合架构。GDN 负责高效压缩历史信息，QSA 通过轻量级 Indexer 在 micro-block 粒度上筛选重要上下文。在 100 万 Token 场景下，QSA 的 Attention Kernel 在 Prefill 和 Decode 阶段分别实现最高 7.6 倍和 4.9 倍的加速。
- Residual：引入 Gated Residual（GR）机制，将残差流扩展为 4 条并行分支，通过动态 Gate 控制信息读写。残差状态支持 FP8 存储，可降低访存开销。
- Embedding：引入 510 亿参数的 N-gram Embedding，利用局部上下文查表扩展模型容量。这些参数可卸载至 Host Memory，通过异步 Prefetch 与模型计算重叠，不长期占用 GPU 显存。
- Optimization：采用 Muon Optimizer，并针对正交化精度、参数分工及融合矩阵拆分等策略进行优化，针对新架构重新拟合了 Scaling Law。
Coding 与 Agent 表现
根据官方公布的基准测试结果（均为 Qwen 团队自报数据），该模型在软件工程和 Agent 任务上表现突出：
| 基准测试 | Qwen3.8-Flash-Next | Qwen3.8-27B | Qwen3.7-Plus | DeepSeek-V4-Flash-0731 | Claude Opus 4.6 Max |
|---|---|---|---|---|---|
| DeepSWE 1.1 | 58.7 | 42.2 | 16.5 | 54.4 | -- |
| SWE-bench Pro | 62.5 | 61.7 | 55.8 | 56.0 | 53.4 |
| LiveCodeBench v6 | 91.9 | 90.3 | 89.6 | 90.6 | 88.8 |
| GPQA Diamond | 91.7 | 89.2 | 90.3 | 90.8 | 91.3 |
| CoWorkBench | 73.9 | 70.7 | 65.1 | 45.1 | 68.2 |
来源：Qwen 团队自报基准测试，发布于 2026 年 8 月 26 日
在 DeepSWE 1.1 中，新模型得分为 58.7%，在 SWE-bench Pro 中得分为 62.5%，分别比 DeepSeek-V4-Flash-0731 高出 4.3 和 6.5 个百分点。在 LiveCodeBench v6 中，模型达到 91.9%。
上述数据均为官方自报，应作为早期性能信号而非独立验证结果看待。不同模型的测试配置、推理设置和评估环境可能存在差异。
多模态能力
Qwen3.8-Flash-Next 是一个多模态模型，支持文本、图像和视频输入，输出文本内容。在多模态相关测试中表现如下：
- AndroidWorld：84.5%
- MathVision（含 CI）：95.7%
- RealWorldQA：88.5%
模型的多模态能力还涵盖截图理解、手机和电脑操作、多模态工具调用等 Agent 场景。
效率与成本
效率是 Qwen3.8-Flash-Next 的核心设计目标。官方表示，其训练成本仅为 Qwen3.7-Plus 的约九分之一，推理成本同步下降。
生产版本 Qwen3.8-Flash 将在千问 AI 平台提供 API 服务，定价为：
- 输入：1 元人民币 / 100 万 Token（约 $0.16）
- 输出：3 元人民币 / 100 万 Token（约 $0.47）
该价格比 DeepSeek-V4-Flash 的非高峰时段定价低约 33%。
开源与生态支持
模型权重已在 Hugging Face 和 ModelScope 同步开源，采用 Qwen Community 1.0 许可证。官方同步发布了 FP8 量化版本以降低显存需求。
目前支持的本地推理框架包括 vLLM（0.28.0+ 版本）和 SGLang。vLLM 推荐的部署配置为：
- GB300：最低 TP2，推荐 TP4 满配
- 8x H200：使用 TEP8 配合 Triton MoE 后端
N-gram Embedding 表可卸载至主机内存，约需 51GB 主机内存及额外运行空间。
Qwen3.8-Flash-Next 的定位
Qwen3.8-Flash-Next 被定位为 Qwen4 架构的技术预览版，其核心目标是让社区提前了解下一代架构的设计方向，而非作为通用聊天模型推向市场。
对于开发者而言，该模型更适用于在 Coding Agent、软件工程和长上下文处理等场景中进行测试验证。
总体来看，Qwen3.8-Flash-Next 是通义千问在高效模型设计方向的一次重要探索。它通过稀疏激活、混合注意力和 N-gram 记忆等创新，在保持较强 Coding 与 Agent 能力的同时显著降低了训练和推理成本。随着更多独立评测和实际应用反馈的出现，该模型在不同任务上的实际表现将更加清晰。