Qwen3.8-Flash และ Flash-Next: เดิมพัน AI ต้นทุนต่ำของ Alibaba ก่อนถึงยุค Qwen4

Alibaba กำลังเปิดเกม Qwen สองแนวทางที่มีเป้าหมายต่างกัน แต่เสริมกันอย่างชัดเจน Qwen3.8-Flash คือโมเดลมัลติโมดัลสำหรับการใช้งานจริงบน QwenCloud โดยชูจุดขายด้านราคาต่อโทเคนที่ต่ำมาก ส่วน Qwen3.8-Flash-Next คือโมเดลแบบเปิดน้ำหนักที่ Alibaba ใช้เผยแนวคิดสถาปัตยกรรมซึ่งระบุว่าเตรียมไว้สำหรับตระกูล Qwen4 ในอนาคต 515

ภาพใหญ่ของกลยุทธ์คือ Alibaba ต้องการใช้บริการประมวลผล AI ราคาถูกดึงงานขององค์กรเข้าสู่คลาวด์ ขณะเดียวกันก็ใช้โมเดลเปิดน้ำหนักสร้างฐานนักพัฒนา เครื่องมือ และความคุ้นเคยกับระบบนิเวศ Qwen ก่อนที่ Qwen4 จะมาถึง อย่างไรก็ตาม ตัวเลขประสิทธิภาพและต้นทุนจำนวนมากมาจาก Alibaba หรือเอกสารโมเดลของบริษัท จึงควรอ่านเป็นข้อมูลจากผู้พัฒนา ไม่ใช่ผลทดสอบอิสระทั้งหมด

สองรุ่น สองบทบาท

Qwen3.8-Flash: โมเดลสำหรับใช้งานจริงบนคลาวด์

Alibaba อธิบายว่า Qwen3.8-Flash เป็นโมเดลมัลติโมดัลแบบ Mixture of Experts หรือ MoE ที่ออกแบบมาสำหรับงานเขียนโค้ด งานเอกสารสำนักงาน และงานที่ต้องใช้บริบทระยะยาว บริษัทระบุว่ารุ่นนี้รองรับบริบทเริ่มต้น 262,144 โทเคน และขยายได้ถึง 1 ล้านโทเคน เหมาะกับไฟล์ขนาดใหญ่ บทสนทนายาว และกระบวนการค้นคว้า 515

ราคาที่ประกาศบน QwenCloud อยู่ที่ 0.16 ดอลลาร์ต่อ 1 ล้านโทเคนขาเข้า และ 0.47 ดอลลาร์ต่อ 1 ล้านโทเคนขาออก โดย Alibaba ระบุว่า API สำหรับใช้งานจริงจะเปิดให้บริการในเร็ว ๆ นี้ ขณะที่รายงานภายหลังระบุว่า QwenCloud ให้บริการโมเดลในอัตราดังกล่าวแล้ว 415

ราคานี้ทำให้ Flash ไม่ได้เป็นเพียงการเปิดตัวโมเดล แต่เป็นการวางตำแหน่งผลิตภัณฑ์โครงสร้างพื้นฐานด้วย นักพัฒนาสามารถทดลองระบบประมวลผลเอกสาร เอเจนต์เขียนโค้ด และเวิร์กโฟลว์ที่มีปริมาณการใช้งานสูงได้ โดยไม่ต้องรับต้นทุนระดับเดียวกับโมเดลแนวหน้าที่มักมีค่าบริการสูงกว่า

Flash-Next: รุ่นเปิดน้ำหนักที่เป็นตัวอย่างสถาปัตยกรรม Qwen4

Flash-Next ไม่ใช่เพียงแพ็กเกจ API อีกระดับหนึ่ง แต่เป็นโมเดลเปิดน้ำหนักที่ใช้แสดงแนวคิดสถาปัตยกรรมสำหรับ Qwen4 โดยข้อมูลในคลังโมเดลระบุว่า มีโมเดลหลัก 125,000 ล้านพารามิเตอร์ และ N-gram embeddings เพิ่มอีก 51,000 ล้านพารามิเตอร์ ขณะที่เปิดใช้งานเพียง 6,000 ล้านพารามิเตอร์ต่อโทเคน

นี่คือการออกแบบแบบ Sparse Mixture of Experts โมเดลมีพารามิเตอร์จำนวนมากเป็นคลังความสามารถ แต่ในแต่ละโทเคนจะเลือกใช้เพียงบางส่วน หลักการนี้อาจช่วยลดการคำนวณต่อโทเคน พร้อมรักษาเพดานความสามารถที่สูงกว่าโมเดลแบบหนาแน่นซึ่งมีขนาดใกล้เคียงกัน

ข้อมูลจากโมเดลการ์ดระบุว่า Flash-Next รองรับบริบทแบบเนทีฟ 262,144 โทเคน และขยายได้ถึง 1 ล้านโทเคน ด้วย YaRN 13 เนื่องจาก Flash และ Flash-Next เป็นการเปิดตัวคนละรุ่น นักพัฒนาควรตรวจสอบข้อจำกัดจริง พฤติกรรมการให้บริการ และความต้องการหน่วยความจำจากเอกสาร deployment ของรุ่นที่จะใช้งานอีกครั้ง

เปรียบเทียบสเปก ราคา และช่วงเปิดตัว

คุณสมบัติ	Qwen3.8-Flash	Qwen3.8-Flash-Next
บทบาทหลัก	โมเดลสำหรับใช้งานจริงผ่านคลาวด์	รุ่นเปิดน้ำหนักเพื่อเผยแนวคิดสถาปัตยกรรมของ Qwen4
รูปแบบการใช้งาน	มัลติโมดัล งานเขียนโค้ด งานสำนักงาน และเอเจนต์	มัลติโมดัล งานเขียนโค้ด งานสำนักงาน และเอเจนต์ระยะยาว
บริบท	262,144 โทเคนเป็นค่าเริ่มต้น ขยายได้ถึง 1 ล้านโทเคน	262,144 โทเคนแบบเนทีฟ และมีรายงานว่าขยายได้ถึง 1 ล้านโทเคนด้วย YaRN
ราคาให้บริการ	0.16 ดอลลาร์ต่อ 1 ล้านโทเคนขาเข้า และ 0.47 ดอลลาร์ต่อ 1 ล้านโทเคนขาออก	ยังไม่มีราคาบริการ API ของ Alibaba สำหรับชุดน้ำหนักเปิด
ตัวเลขสถาปัตยกรรม	Alibaba นำเสนอ Flash ในฐานะโมเดลมัลติโมดัลแบบ MoE	โมเดลหลัก 125B, N-gram embeddings 51B และเปิดใช้ 6B ต่อโทเคน
ความพร้อมใช้งาน	API บน QwenCloud ประกาศว่าจะเปิดให้บริการ	น้ำหนักโมเดลและข้อมูลในโมเดลการ์ดปรากฏช่วงปลายเดือนสิงหาคม 2026

จังหวะการเปิดตัวสะท้อนความเชื่อมโยงระหว่างสองผลิตภัณฑ์ โดยคลังโมเดลและข้อมูลโมเดลการ์ดของ Flash-Next ปรากฏก่อนหรือใกล้เคียงกับการประกาศ API สำหรับรุ่นใช้งานจริง ทำให้นักพัฒนาได้เห็นสถาปัตยกรรมล่วงหน้า ขณะที่ Alibaba เตรียมบริการโฮสต์บนคลาวด์ 7

อ้างต้นทุนฝึกโมเดลลดลงเกือบ 9 เท่า แต่ยังไม่มีการตรวจสอบอิสระ

Alibaba ระบุว่า Flash รุ่นใหม่ใช้ต้นทุนฝึกโมเดลราว หนึ่งในเก้า ของ Qwen3.7-Plus แต่ให้ประสิทธิภาพดีขึ้น โดยเฉพาะงานเขียนโค้ดและงานสำนักงาน 515

นี่เป็นคำกล่าวอ้างที่มีนัยสำคัญ แต่ควรเข้าใจว่าเป็นการเปรียบเทียบจากบริษัท ไม่ใช่การศึกษาต้นทุนที่ผ่านการตรวจสอบโดยอิสระ ต้นทุนการฝึกจริงขึ้นอยู่กับราคาฮาร์ดแวร์ ระยะเวลาฝึก การเตรียมข้อมูล รอบการฝึกที่ล้มเหลว และวิธีการบันทึกบัญชี

อย่างไรก็ตาม สถาปัตยกรรมแบบ Sparse มีเหตุผลทางเทคนิคที่สอดคล้องกับการเน้นประสิทธิภาพของ Alibaba เพราะในแต่ละโทเคนจะเปิดใช้พารามิเตอร์เพียงบางส่วน สำหรับผู้ซื้อบริการ ความแตกต่างจึงค่อนข้างชัดเจน: ราคาคลาวด์เป็นตัวเลขที่นำไปคำนวณงบ API ได้โดยตรง ส่วนตัวเลขต้นทุนหนึ่งในเก้าควรมองเป็นสัญญาณด้านสถาปัตยกรรมและกลยุทธ์ จนกว่าจะมีการวัดจากแหล่งภายนอกที่เทียบเคียงกันได้

เบนช์มาร์กบอกอะไรบ้าง

โมเดลการ์ดของ Flash-Next รายงานผลดังนี้:

• DeepSWE 1.1: 58.7
• SWE-bench Pro: 62.5
• SWE-bench Multilingual: 81.0
• CoWorkBench: 73.9
• JobBench: 55.7
• AndroidWorld: 84.5
• MathVision: 95.7

ในตารางเปรียบเทียบที่อยู่ในโมเดลการ์ด Flash-Next ได้คะแนนสูงกว่าผลของ Claude Opus 4.6 Max ที่นำมาเทียบใน SWE-bench Pro, SWE-bench Multilingual, CoWorkBench และ JobBench เช่น SWE-bench Pro อยู่ที่ 62.5 ต่อ 53.4 และ SWE-bench Multilingual อยู่ที่ 81.0 ต่อ 77.5

ตัวเลขเหล่านี้ชี้ว่า Flash-Next มีศักยภาพสูงในงานวิศวกรรมซอฟต์แวร์และงานเอเจนต์สำหรับสำนักงาน แต่ยังไม่ใช่หลักฐานว่าโมเดลนี้เหนือกว่า Claude หรือระบบแนวหน้ารุ่นอื่นในทุกด้าน เนื่องจากตัวเลขมาจากผู้พัฒนา รูปแบบการประเมินอาจแตกต่างกัน และผลของ Flash-Next ไม่ควรถูกนำไปเหมารวมว่าเป็นผลลัพธ์ของการให้บริการ Qwen3.8-Flash ทุก deployment

ใบอนุญาตเป็นรายละเอียดที่ต้องตรวจสอบก่อนนำไปใช้จริง

แหล่งข้อมูลระบุว่า Flash-Next เป็นโมเดลเปิดน้ำหนัก โดยสรุปโมเดลหนึ่งระบุใบอนุญาตเป็น qwen-community-1.0 แต่นักพัฒนาควรตรวจสอบใบอนุญาตฉบับปัจจุบันจากคลังทางการและโมเดลการ์ดก่อนนำไปแจกจ่ายเชิงพาณิชย์ ปรับแต่ง หรือเปิดให้บริการแบบโฮสต์ 6

คำว่า “เปิดน้ำหนัก” ไม่ได้หมายความว่าการใช้งานทุกประเภทไม่มีข้อจำกัด ใบอนุญาตอาจกำหนดเงื่อนไขเกี่ยวกับการแจกจ่าย การระบุที่มา การใช้งานที่ยอมรับได้ หรือโมเดลต่อยอด หลักฐานที่มีอยู่จึงยังไม่เพียงพอสำหรับสรุปสิทธิ์เชิงพาณิชย์ของส่วนประกอบทุกชิ้นในรุ่นนี้

การลงทุน AI ของ Alibaba อธิบายกลยุทธ์ราคาต่ำ

การเปิดตัวเกิดขึ้นในช่วงที่ Alibaba กำลังเพิ่มการลงทุนด้านโครงสร้างพื้นฐาน AI อย่างหนัก Reuters รายงานว่ารายได้จากคลาวด์รายไตรมาสเพิ่มขึ้น 45% ขณะที่รายจ่ายลงทุนเพิ่มขึ้น 75% และกำไรสุทธิรายไตรมาสลดลง 75% 18

Reuters ยังรายงานว่า Alibaba กำลังระดมทุน 10,000 ล้านดอลลาร์ ผ่านการขายหุ้นในฮ่องกง เพื่อสนับสนุนแผน AI ของบริษัท ตัวเลขทั้งสองชุดสะท้อนการแลกเปลี่ยนที่อยู่เบื้องหลังกลยุทธ์ Qwen: ความต้องการคลาวด์และการประมวลผล AI กำลังเพิ่มขึ้น แต่ต้นทุนสร้างกำลังการประมวลผลก็กดดันกำไรและกระแสเงินสดในระยะสั้น

ดังนั้น การตั้งราคาต่ำจึงมีประโยชน์เชิงกลยุทธ์ แม้จะจำกัดกำไรจากโมเดลในช่วงแรก บริการประมวลผลราคาถูกอาจช่วยเพิ่มอัตราการใช้งานโครงสร้างพื้นฐานคลาวด์ของ Alibaba ดึงงานจากองค์กร และทำให้ Qwen กลายเป็นตัวเลือกเริ่มต้นสำหรับผู้พัฒนาแอปพลิเคชันที่ต้องใช้บริบทขนาดยาว

เหตุใดการเปิดน้ำหนักจึงสำคัญต่อ Alibaba

Flash-Next ช่วยขยายการเข้าถึง Qwen ออกไปไกลกว่าบริการ API ของบริษัท นักพัฒนาสามารถทดสอบ ปรับแต่ง และโฮสต์โมเดลเองได้ ทำให้คุ้นเคยกับเครื่องมือและสถาปัตยกรรมของ Qwen โดยยังไม่จำเป็นต้องผูกตัวเองกับ QwenCloud ตั้งแต่แรก

แนวทางนี้อาจสนับสนุน Alibaba ได้หลายด้าน:

1. สร้างฐานนักพัฒนา: น้ำหนักโมเดลที่เปิดให้ใช้ช่วยกระตุ้นการทดลองและการเชื่อมต่อกับเครื่องมือของชุมชน
2. เปลี่ยนผู้ใช้มาเป็นลูกค้าคลาวด์: ทีมที่ต้องการระบบประมวลผลแบบมีผู้ดูแล การขยายขนาด หรือบริการระดับองค์กร อาจเลือกใช้บริการโฮสต์ของ Alibaba ในภายหลัง
3. รับฟีดแบ็กด้านสถาปัตยกรรม: การเผยต้นแบบ Qwen4 ให้ชุมชนเทคนิคเห็นเร็วขึ้น อาจช่วยทดสอบแนวคิดก่อนเปิดตัวตระกูลเต็มรูปแบบ
4. แข่งขันด้วยต้นทุน: ราคา API ที่ต่ำทำให้ Qwen เหมาะกับงานที่ปริมาณการประมวลผลมีความสำคัญมากกว่าความแตกต่างเล็กน้อยของคะแนนเบนช์มาร์ก

หลักฐานที่มีสนับสนุนการตีความเชิงกลยุทธ์นี้ แต่ยังไม่ใช่หลักฐานว่า Qwen ครองระบบนิเวศนักพัฒนาในจีนแล้ว แหล่งข้อมูลไม่ได้ให้ตัวเลขปัจจุบันที่ตรวจสอบได้เกี่ยวกับจำนวนนักพัฒนาที่ใช้งานจริง จำนวนดาวน์โหลด หรือการติดตั้งในองค์กร

สรุป: Alibaba กำลังเดิมพันทั้งคลาวด์และระบบนิเวศ

Qwen3.8-Flash และ Flash-Next ควรถูกมองว่าเป็นสองส่วนของกลยุทธ์ผลิตภัณฑ์เดียวกัน Flash คือบริการคลาวด์ราคาประหยัดที่รองรับบริบทยาว ส่วน Flash-Next คือเครื่องมือสร้างระบบนิเวศและตัวอย่างสถาปัตยกรรมที่มุ่งไปยัง Qwen4

การผสมผสานระหว่างราคาอินพุต 0.16 ดอลลาร์ต่อ 1 ล้านโทเคน, บริบทสูงสุด 1 ล้านโทเคน, เส้นทางการทำงานที่เปิดใช้เพียง 6,000 ล้านพารามิเตอร์ จากโมเดลขนาดใหญ่กว่า และผลเบนช์มาร์กด้านโค้ดกับเอเจนต์ที่ Alibaba เผยแพร่ ทำให้การเปิดตัวครั้งนี้น่าสนใจสำหรับนักพัฒนาที่จับตาเศรษฐศาสตร์ของการประมวลผล AI 4

แต่ข้อควรระวังก็สำคัญไม่แพ้กัน: โมเดลใช้งานจริงกับรุ่นต้นแบบไม่ควรถูกนำมาปะปนกัน คำกล่าวอ้างเรื่องต้นทุนฝึกโมเดลยังไม่มีการตรวจสอบอิสระ ผลเบนช์มาร์กเป็นข้อมูลจากผู้ให้บริการ และยังไม่สามารถวัดการยอมรับในตลาดได้จากหลักฐานที่มี

Alibaba จึงดูเป็นคู่แข่งที่จริงจังและมีเงินทุนหนุนหลังในสนาม AI ของจีน แต่ยังไม่ใช่ผู้นำที่ไม่มีคู่แข่ง การยอมลงทุนจำนวนมากสะท้อนว่า Alibaba มอง Qwen เป็นการเดิมพันระยะยาวกับธุรกิจคลาวด์และระบบนิเวศ มากกว่าจะเป็นศูนย์กำไรระยะสั้น 18