一句講晒：Flash-Next係「試跑版」，唔係Qwen 4成品

Qwen 3.8-Flash-Next目前被定位為一個早期、開放權重嘅開發者測試版本，用嚟率先展示原本計劃應用喺Qwen 4家族嘅下一代架構。換句話講，阿里巴巴係先畀開發者試水溫，而唔係直接推出最終旗艦。

模型團隊嘅核心賣點，係用較少訓練同推理算力，換取接近前沿模型嘅能力。不過，模型權重、完整技術文件同獨立評測未齊之前，效能、成本同發布細節都應該當係供應商報告，唔可以當成已經證實嘅結論。9

1250億參數，點解每個token只用60億？

據報，Qwen 3.8-Flash-Next係原生多模態嘅「混合專家」架構（Mixture-of-Experts，MoE），總參數量約1250億，當中包括510億個N-gram embedding參數；但每個token實際只啟用約60億參數。9

可以將MoE理解成一間有大量專科部門嘅公司：模型保留一個好大嘅專家池，但處理每句文字、程式碼或者影像訊息時，只會揀相關專家出手，而唔係一次過動用全部參數。理論上，呢種稀疏路由可以減少浮點運算、記憶體頻寬需求，以及相對同等總規模密集模型嘅服務成本。

N-gram embedding則係另一個設計重點。簡單講，模型可以透過大規模嘅局部token組合表，較快處理部分常見文字或符號模式；但實際效果仍然要睇正式技術報告同測試，唔應單靠參數數字推斷。

「總參數多、每token啟用少」亦唔代表運行完全冇代價。部署時仍要考慮模型權重儲存、專家分配、記憶體容量、通訊開銷同推理框架支援。MoE係將成本重新分配，而唔係將所有硬件要求變成零。

點解特別強調編程？

編程工作往往適合稀疏專門化。唔同專家可以分別學習各種程式語言、程式庫、程式碼庫結構、工具調用、除錯流程，以及長上下文入面嘅程式碼關係。對要處理大型repository、連續修改多個檔案，或者配合代理工具完成任務嘅開發者嚟講，呢種路由設計有機會帶來效率優勢。

但「以大約九分之一嘅Qwen 3.7-Plus訓練成本，做到接近前沿表現」應該理解為一個架構效率目標，可能同稀疏路由、模型設計改動同embedding方案有關；佢唔係證明模型已經喺每個benchmark、每種真實編程流程都追上頂尖閉源模型。現階段獨立編程評測仍然唔足夠，尤其要留意長程代理任務、實際程式碼修復率同工具使用成功率。

點解係preview，而唔係flagship？

阿里巴巴將Flash-Next包裝成預覽版，反映佢更似一個兼容性同生態系統發布：開發者可以預先測試下一代架構、微調方法、推理堆疊，以及文字、圖片等多模態工作流程，為日後Qwen 4鋪路。9

呢個定位亦為正式旗艦保留空間。Qwen 4日後可以有更多訓練、較強嘅後訓練、更加完整嘅安全工作、更大或更多樣化嘅版本，以及最終benchmark驗證。因此，Flash-Next嘅早期結果即使亮眼，都唔應直接等同Qwen 4最終能力。

同近期Qwen 3.8版本有咩關係？

阿里巴巴近期已推出Qwen3.8-27B，採用Apache 2.0授權。呢個係一款約270億參數級別嘅原生多模態模型，原生上下文窗口達262K tokens，並可擴展至100萬tokens。6

另一邊，Qwen3.8-Max係高階版本。不過，相關報道指Max級模型嘅權重採用獨立而較嚴格嘅授權，唔係Qwen3.8-27B所用嘅純Apache 2.0條款。12

呢種分拆有幾實際：較細嘅27B版本可以較容易被開發者下載、改造、微調同商用；最昂貴、最接近旗艦級嘅能力，就由阿里巴巴透過授權條款保留更多控制權。

「開放權重」唔等於一定可以無條件商用

如果Max或Flash-Next嘅授權包含用戶數、營收、服務規模門檻，或者要求大型商業部署另行簽約甚至分享收入，咁對企業採用就會係一個重要限制。

現有報道支持Max有授權限制，但具體收入分成觸發門檻同條款，仍然要以實際license文本確認。就目前證據，唔應該將「大型商業用戶必須分成」當成已經確立嘅事實。12

對企業嚟講，真正要睇嘅唔止係模型權重有冇公開，仲包括：可唔可以修改同再發布、能否提供模型服務、品牌標示要求、收入門檻、地域限制，以及日後版本係咪沿用同一套條款。

呢件事點樣接上阿里巴巴嘅AI大棋？

Qwen模型系列唔單止係模型產品，亦係阿里巴巴「全棧式」AI策略嘅入口：透過開放或較容易接觸嘅模型吸引開發者，帶動微調、API調用、雲端運算同企業工作負載，再由阿里巴巴投資訓練前沿模型所需嘅算力、數據中心同基礎設施。阿里巴巴表示，香港配股所得款項將用於「全棧式」AI能力。2

公司今次集資HK$800億（約102億美元），發售7.1億股新股，每股作價HK$112.70。3 配股價較之前收市價低8.4%，但據報訂單簿吸引約280億美元需求。4

對投資者嚟講，取捨相當直接：新資本可以加快AI投資，但發行新股會攤薄現有股東權益；如果AI支出未能夠及時轉化成雲服務、API同應用收入，公司亦要承受執行風險。4

中國開放權重競賽，重點唔只係跑分

中國AI開放權重競賽入面，模型贏唔贏一個benchmark只係其中一環。更加關鍵嘅係可唔可以吸引開發者、下游微調模型、雲端工作負載同工具鏈支援，喺DeepSeek等競爭者之前建立足夠生態黏性。

市場提及嘅「Ox Alpha」等潛在系統，如果冇可歸屬嘅正式發布、模型權重或者技術報告，就仍然屬於推測，唔應該當成已發布產品。同樣，超過460個模型、支援119種語言等數字，應視為Qwen生態系統指標，而唔係任何一個Qwen模型單獨能力嘅證明。

最後要睇兩個答案

阿里巴巴押注嘅方向係：易於訓練、採用稀疏路由、同時支援多模態嘅模型，可以令公司兩頭兼顧——一邊擴大開放模型採用率，另一邊發展高端雲端部署。

但Qwen 3.8-Flash-Next真正值唔值得追，最後要等兩件事：

1. 獨立測試能否驗證編程能力同訓練成本優勢；
2. 授權條款能否令大型企業放心採用，而唔會削弱「開放」本身嘅價值。

喺呢兩點未有答案之前，Flash-Next更適合被視為一個值得開發者觀察同測試嘅架構預告，而唔係已經可以蓋棺論定嘅Qwen 4替代品。

一句講晒：Flash-Next係「試跑版」，唔係Qwen 4成品

Qwen 3.8-Flash-Next目前被定位為一個早期、開放權重嘅開發者測試版本，用嚟率先展示原本計劃應用喺Qwen 4家族嘅下一代架構。換句話講，阿里巴巴係先畀開發者試水溫，而唔係直接推出最終旗艦。

模型團隊嘅核心賣點，係用較少訓練同推理算力，換取接近前沿模型嘅能力。不過，模型權重、完整技術文件同獨立評測未齊之前，效能、成本同發布細節都應該當係供應商報告，唔可以當成已經證實嘅結論。9

1250億參數，點解每個token只用60億？

據報，Qwen 3.8-Flash-Next係原生多模態嘅「混合專家」架構（Mixture-of-Experts，MoE），總參數量約1250億，當中包括510億個N-gram embedding參數；但每個token實際只啟用約60億參數。9

可以將MoE理解成一間有大量專科部門嘅公司：模型保留一個好大嘅專家池，但處理每句文字、程式碼或者影像訊息時，只會揀相關專家出手，而唔係一次過動用全部參數。理論上，呢種稀疏路由可以減少浮點運算、記憶體頻寬需求，以及相對同等總規模密集模型嘅服務成本。

N-gram embedding則係另一個設計重點。簡單講，模型可以透過大規模嘅局部token組合表，較快處理部分常見文字或符號模式；但實際效果仍然要睇正式技術報告同測試，唔應單靠參數數字推斷。

「總參數多、每token啟用少」亦唔代表運行完全冇代價。部署時仍要考慮模型權重儲存、專家分配、記憶體容量、通訊開銷同推理框架支援。MoE係將成本重新分配，而唔係將所有硬件要求變成零。

點解特別強調編程？

編程工作往往適合稀疏專門化。唔同專家可以分別學習各種程式語言、程式庫、程式碼庫結構、工具調用、除錯流程，以及長上下文入面嘅程式碼關係。對要處理大型repository、連續修改多個檔案，或者配合代理工具完成任務嘅開發者嚟講，呢種路由設計有機會帶來效率優勢。

但「以大約九分之一嘅Qwen 3.7-Plus訓練成本，做到接近前沿表現」應該理解為一個架構效率目標，可能同稀疏路由、模型設計改動同embedding方案有關；佢唔係證明模型已經喺每個benchmark、每種真實編程流程都追上頂尖閉源模型。現階段獨立編程評測仍然唔足夠，尤其要留意長程代理任務、實際程式碼修復率同工具使用成功率。

點解係preview，而唔係flagship？

阿里巴巴將Flash-Next包裝成預覽版，反映佢更似一個兼容性同生態系統發布：開發者可以預先測試下一代架構、微調方法、推理堆疊，以及文字、圖片等多模態工作流程，為日後Qwen 4鋪路。9

呢個定位亦為正式旗艦保留空間。Qwen 4日後可以有更多訓練、較強嘅後訓練、更加完整嘅安全工作、更大或更多樣化嘅版本，以及最終benchmark驗證。因此，Flash-Next嘅早期結果即使亮眼，都唔應直接等同Qwen 4最終能力。

同近期Qwen 3.8版本有咩關係？

阿里巴巴近期已推出Qwen3.8-27B，採用Apache 2.0授權。呢個係一款約270億參數級別嘅原生多模態模型，原生上下文窗口達262K tokens，並可擴展至100萬tokens。6

另一邊，Qwen3.8-Max係高階版本。不過，相關報道指Max級模型嘅權重採用獨立而較嚴格嘅授權，唔係Qwen3.8-27B所用嘅純Apache 2.0條款。12

呢種分拆有幾實際：較細嘅27B版本可以較容易被開發者下載、改造、微調同商用；最昂貴、最接近旗艦級嘅能力，就由阿里巴巴透過授權條款保留更多控制權。

「開放權重」唔等於一定可以無條件商用

如果Max或Flash-Next嘅授權包含用戶數、營收、服務規模門檻，或者要求大型商業部署另行簽約甚至分享收入，咁對企業採用就會係一個重要限制。

現有報道支持Max有授權限制，但具體收入分成觸發門檻同條款，仍然要以實際license文本確認。就目前證據，唔應該將「大型商業用戶必須分成」當成已經確立嘅事實。12

對企業嚟講，真正要睇嘅唔止係模型權重有冇公開，仲包括：可唔可以修改同再發布、能否提供模型服務、品牌標示要求、收入門檻、地域限制，以及日後版本係咪沿用同一套條款。

呢件事點樣接上阿里巴巴嘅AI大棋？

Qwen模型系列唔單止係模型產品，亦係阿里巴巴「全棧式」AI策略嘅入口：透過開放或較容易接觸嘅模型吸引開發者，帶動微調、API調用、雲端運算同企業工作負載，再由阿里巴巴投資訓練前沿模型所需嘅算力、數據中心同基礎設施。阿里巴巴表示，香港配股所得款項將用於「全棧式」AI能力。2

公司今次集資HK$800億（約102億美元），發售7.1億股新股，每股作價HK$112.70。3 配股價較之前收市價低8.4%，但據報訂單簿吸引約280億美元需求。4

對投資者嚟講，取捨相當直接：新資本可以加快AI投資，但發行新股會攤薄現有股東權益；如果AI支出未能夠及時轉化成雲服務、API同應用收入，公司亦要承受執行風險。4

中國開放權重競賽，重點唔只係跑分

中國AI開放權重競賽入面，模型贏唔贏一個benchmark只係其中一環。更加關鍵嘅係可唔可以吸引開發者、下游微調模型、雲端工作負載同工具鏈支援，喺DeepSeek等競爭者之前建立足夠生態黏性。

市場提及嘅「Ox Alpha」等潛在系統，如果冇可歸屬嘅正式發布、模型權重或者技術報告，就仍然屬於推測，唔應該當成已發布產品。同樣，超過460個模型、支援119種語言等數字，應視為Qwen生態系統指標，而唔係任何一個Qwen模型單獨能力嘅證明。

最後要睇兩個答案

阿里巴巴押注嘅方向係：易於訓練、採用稀疏路由、同時支援多模態嘅模型，可以令公司兩頭兼顧——一邊擴大開放模型採用率，另一邊發展高端雲端部署。

但Qwen 3.8-Flash-Next真正值唔值得追，最後要等兩件事：

1. 獨立測試能否驗證編程能力同訓練成本優勢；
2. 授權條款能否令大型企業放心採用，而唔會削弱「開放」本身嘅價值。

喺呢兩點未有答案之前，Flash-Next更適合被視為一個值得開發者觀察同測試嘅架構預告，而唔係已經可以蓋棺論定嘅Qwen 4替代品。