阿里巴巴旗下的Qwen于2026年8月26日发布了Qwen3.8-Flash-Next，相关报道在8月27日陆续出现。它并不是最终版Qwen4旗舰，而是一款开放权重、多模态混合专家模型（MoE），用于提前展示Qwen宣称将支撑Qwen4系列的架构方向。1215

这款模型最受关注的地方，是其“总参数很大、单Token计算量相对较小”的设计：主模型拥有1250亿参数，另有510亿参数的N-gram嵌入组件，但每个Token大约只激活60亿参数。理论上，这种组合可以在保留较大模型容量的同时，避免每次处理Token都承担完整稠密模型的计算成本。415

它是什么，又不是什么

“Qwen3.8-Flash-Next”指的是Qwen公开发布的开放权重模型；相近的“Qwen3.8-Flash”则用于面向生产环境的模型和API服务。前者更准确的定位，是一份可检查、可部署、可供社区反馈的Qwen4架构预览。1215

因此，不能把这次发布直接理解为Qwen4已经上市。Qwen公开模型权重，是为了让研究人员和开发者提前研究架构、适配推理工具、测试部署方案，并在完整Qwen4系列推出前提供反馈。2315

主要规格一览

• **发布时间：**2026年8月26日；8月27日出现后续报道。1215
• **主模型规模：**1250亿参数。15
• **N-gram嵌入：**额外510亿参数。415
• **每Token激活参数：**约60亿。15
• **上下文长度：**原生262,144个Token，通过YaRN扩展至100万个Token。1416
• **输入模态：**文本与视觉输入。1516
• **模型获取：**据报道，标准版与FP8开放权重版本可通过Hugging Face和ModelScope获取。38

需要特别区分“原生上下文长度”和“扩展后的上下文长度”。模型的标准配置是262,144个Token；100万个Token依赖YaRN扩展，因此不应把后者简单等同于原生上下文上限。1416

为什么这套架构值得关注

GDN与稀疏注意力，瞄准超长上下文

Qwen3.8-Flash-Next将**Gated DeltaNet（GDN）与Qwen Sparse Attention（QSA）**结合起来。GDN用于压缩较早的历史信息；QSA则通过轻量级索引，寻找并选取相关的微型上下文块，而不是对全部历史内容一视同仁地执行完整注意力计算。4

这套混合注意力机制的目标，是让序列越长时，推理速度和成本不要以同样幅度恶化。Qwen称，在100万Token序列上，该设计最高可带来7.6倍预填充速度提升和4.9倍解码速度提升。4

不过，这些数字属于厂商披露，实际结果会受到GPU或其他硬件、推理实现、序列组成以及基准测试设置影响，不能直接视为所有部署环境都能达到的通用表现。4

N-gram嵌入：把参数容量与每Token计算拆开

额外的N-gram嵌入组件，为模型提供了更多表示能力，同时限制每个Token实际需要处理的完整参数规模。Qwen还表示，该嵌入表可以卸载到主机内存，并通过异步预取让数据传输与模型计算重叠进行。4

对于需要运行大模型的团队来说，这一方向的实际意义不只在于参数数量本身。模型放在哪里、数据如何搬运、内存访问是否成为瓶颈，往往同样会影响长文档分析和大批量任务的最终成本。

优化器与训练方法也在变化

这次预览并非只是替换了注意力模块。Qwen还提到使用Muon优化器，调整其与AdamW的配合方式和参数处理流程，并为这套模型设计重新拟合了规模定律（scaling law）。4

换言之，Qwen3.8-Flash-Next公开的不只是一个检查点，而是一套关于“如何用较低活跃计算量构建高总容量模型”的实验方案。

长上下文、基准成绩与成本主张

Qwen表示，Qwen3.8-Flash的训练成本约为Qwen3.7-Plus的九分之一，同时在编程和办公任务上取得更好的表现。路透社也报道了该公司关于更强编程、办公任务能力以及更低训练成本的说法。14

发布材料列出的成绩包括：DeepSWE 1.1为58.7分、SWE-bench Pro为62.5分、AndroidWorld为84.5分。Qwen据此将其定位为价值型模型中优于DeepSeek V4 Flash的方案。4

但目前这些比较主要来自Qwen的披露或基于其披露的报道，现有材料并不能证明它们已经在完全等价的硬件、版本和评测条件下被独立复现。因此，成绩应被视为有参考价值的厂商主张，而不是已经得到全面验证的行业结论。4

面向生产环境的Qwen3.8-Flash服务，公开价格为输入每百万Token 1元、输出每百万Token 3元，发布材料没有描述高峰与非高峰时段差异。14 与其他模型比较价格时，仍需考虑模型版本、缓存机制、上下文长度、服务等级和输出要求等差异，单看每百万Token价格并不足以判断真实总成本。

开放权重对开发者意味着什么

Qwen3.8-Flash-Next的开放权重，让开发者无需等到完整Qwen4落地，就可以提前试验这条架构路线。团队可以开始适配推理框架，测试量化和服务方式，并观察它在自有数据与业务负载中的实际表现。2315

它尤其适合用来探索以下类型的任务：

• 大型文档、研究资料和长报告分析；
• 面向整个代码仓库的编程辅助；
• 需要调用工具、持续运行的智能体；
• 会不断积累历史状态的长对话；
• 文本与视觉数据的高吞吐批处理。

这些应用方向，是根据其长上下文能力和低活跃参数设计推导出的合理场景，并不意味着它在生产环境中一定胜过所有稠密模型或全注意力模型。实际经济性仍取决于硬件、推理软件、量化质量、检索策略和任务构成。

最大的注意事项：它是预览，不是最终结论

Qwen3.8-Flash-Next的重要性，在于它较早公开了一条可能影响Qwen4的系统架构路线。研究人员可以据此检验：稀疏与压缩注意力、大型辅助嵌入，以及较低的活跃参数量，能否在不牺牲过多质量的前提下，改善超长上下文AI的成本效率。

但发布中的核心数字——包括速度提升、基准领先、训练成本下降和价值竞争力——大多来自Qwen或基于Qwen披露的报道。要判断这套设计在不同硬件、语言、上下文长度、多模态任务和生产级智能体工作流中的表现，还需要更多独立测试。

因此，更稳妥的结论不是“Qwen3.8-Flash-Next击败了所有竞品”，而是：它是一款开放的多模态MoE技术预览，为开发者社区提供了一个难得的窗口，让人们提前观察阿里巴巴为Qwen4准备的系统架构，同时也提供了一份可实际部署、验证和改进的超长上下文模型蓝图。

阿里巴巴旗下的Qwen于2026年8月26日发布了Qwen3.8-Flash-Next，相关报道在8月27日陆续出现。它并不是最终版Qwen4旗舰，而是一款开放权重、多模态混合专家模型（MoE），用于提前展示Qwen宣称将支撑Qwen4系列的架构方向。1215

这款模型最受关注的地方，是其“总参数很大、单Token计算量相对较小”的设计：主模型拥有1250亿参数，另有510亿参数的N-gram嵌入组件，但每个Token大约只激活60亿参数。理论上，这种组合可以在保留较大模型容量的同时，避免每次处理Token都承担完整稠密模型的计算成本。415

它是什么，又不是什么

“Qwen3.8-Flash-Next”指的是Qwen公开发布的开放权重模型；相近的“Qwen3.8-Flash”则用于面向生产环境的模型和API服务。前者更准确的定位，是一份可检查、可部署、可供社区反馈的Qwen4架构预览。1215

因此，不能把这次发布直接理解为Qwen4已经上市。Qwen公开模型权重，是为了让研究人员和开发者提前研究架构、适配推理工具、测试部署方案，并在完整Qwen4系列推出前提供反馈。2315

主要规格一览

• **发布时间：**2026年8月26日；8月27日出现后续报道。1215
• **主模型规模：**1250亿参数。15
• **N-gram嵌入：**额外510亿参数。415
• **每Token激活参数：**约60亿。15
• **上下文长度：**原生262,144个Token，通过YaRN扩展至100万个Token。1416
• **输入模态：**文本与视觉输入。1516
• **模型获取：**据报道，标准版与FP8开放权重版本可通过Hugging Face和ModelScope获取。38

需要特别区分“原生上下文长度”和“扩展后的上下文长度”。模型的标准配置是262,144个Token；100万个Token依赖YaRN扩展，因此不应把后者简单等同于原生上下文上限。1416

为什么这套架构值得关注

GDN与稀疏注意力，瞄准超长上下文

Qwen3.8-Flash-Next将**Gated DeltaNet（GDN）与Qwen Sparse Attention（QSA）**结合起来。GDN用于压缩较早的历史信息；QSA则通过轻量级索引，寻找并选取相关的微型上下文块，而不是对全部历史内容一视同仁地执行完整注意力计算。4

这套混合注意力机制的目标，是让序列越长时，推理速度和成本不要以同样幅度恶化。Qwen称，在100万Token序列上，该设计最高可带来7.6倍预填充速度提升和4.9倍解码速度提升。4

不过，这些数字属于厂商披露，实际结果会受到GPU或其他硬件、推理实现、序列组成以及基准测试设置影响，不能直接视为所有部署环境都能达到的通用表现。4

N-gram嵌入：把参数容量与每Token计算拆开

额外的N-gram嵌入组件，为模型提供了更多表示能力，同时限制每个Token实际需要处理的完整参数规模。Qwen还表示，该嵌入表可以卸载到主机内存，并通过异步预取让数据传输与模型计算重叠进行。4

对于需要运行大模型的团队来说，这一方向的实际意义不只在于参数数量本身。模型放在哪里、数据如何搬运、内存访问是否成为瓶颈，往往同样会影响长文档分析和大批量任务的最终成本。

优化器与训练方法也在变化

这次预览并非只是替换了注意力模块。Qwen还提到使用Muon优化器，调整其与AdamW的配合方式和参数处理流程，并为这套模型设计重新拟合了规模定律（scaling law）。4

换言之，Qwen3.8-Flash-Next公开的不只是一个检查点，而是一套关于“如何用较低活跃计算量构建高总容量模型”的实验方案。

长上下文、基准成绩与成本主张

Qwen表示，Qwen3.8-Flash的训练成本约为Qwen3.7-Plus的九分之一，同时在编程和办公任务上取得更好的表现。路透社也报道了该公司关于更强编程、办公任务能力以及更低训练成本的说法。14

发布材料列出的成绩包括：DeepSWE 1.1为58.7分、SWE-bench Pro为62.5分、AndroidWorld为84.5分。Qwen据此将其定位为价值型模型中优于DeepSeek V4 Flash的方案。4

但目前这些比较主要来自Qwen的披露或基于其披露的报道，现有材料并不能证明它们已经在完全等价的硬件、版本和评测条件下被独立复现。因此，成绩应被视为有参考价值的厂商主张，而不是已经得到全面验证的行业结论。4

面向生产环境的Qwen3.8-Flash服务，公开价格为输入每百万Token 1元、输出每百万Token 3元，发布材料没有描述高峰与非高峰时段差异。14 与其他模型比较价格时，仍需考虑模型版本、缓存机制、上下文长度、服务等级和输出要求等差异，单看每百万Token价格并不足以判断真实总成本。

开放权重对开发者意味着什么

Qwen3.8-Flash-Next的开放权重，让开发者无需等到完整Qwen4落地，就可以提前试验这条架构路线。团队可以开始适配推理框架，测试量化和服务方式，并观察它在自有数据与业务负载中的实际表现。2315

它尤其适合用来探索以下类型的任务：

• 大型文档、研究资料和长报告分析；
• 面向整个代码仓库的编程辅助；
• 需要调用工具、持续运行的智能体；
• 会不断积累历史状态的长对话；
• 文本与视觉数据的高吞吐批处理。

这些应用方向，是根据其长上下文能力和低活跃参数设计推导出的合理场景，并不意味着它在生产环境中一定胜过所有稠密模型或全注意力模型。实际经济性仍取决于硬件、推理软件、量化质量、检索策略和任务构成。

最大的注意事项：它是预览，不是最终结论

Qwen3.8-Flash-Next的重要性，在于它较早公开了一条可能影响Qwen4的系统架构路线。研究人员可以据此检验：稀疏与压缩注意力、大型辅助嵌入，以及较低的活跃参数量，能否在不牺牲过多质量的前提下，改善超长上下文AI的成本效率。

但发布中的核心数字——包括速度提升、基准领先、训练成本下降和价值竞争力——大多来自Qwen或基于Qwen披露的报道。要判断这套设计在不同硬件、语言、上下文长度、多模态任务和生产级智能体工作流中的表现，还需要更多独立测试。

因此，更稳妥的结论不是“Qwen3.8-Flash-Next击败了所有竞品”，而是：它是一款开放的多模态MoE技术预览，为开发者社区提供了一个难得的窗口，让人们提前观察阿里巴巴为Qwen4准备的系统架构，同时也提供了一份可实际部署、验证和改进的超长上下文模型蓝图。