阿里巴巴旗下 AI 團隊 Qwen 於 2026 年 8 月 26 日發布 Qwen3.8-Flash-Next，相關報道則於 8 月 27 日陸續出現。這款開放權重模型並不是已經正式推出的 Qwen4 旗艦，而是一個可以讓開發者及研究人員直接檢視、測試和改良的早期架構預覽，展示 Qwen 表示將用於 Qwen4 系列的技術方向。1215

它最受關注的地方，在於一個看似龐大、實際運算量卻相對克制的組合：主網絡有 1,250 億參數，另加 510 億參數的 N-gram embedding 組件，但每個 token 實際只啟用約 60 億參數。換句話說，模型保留較大的總容量，但不需要每次處理每個 token 時都動用全部參數。415

Qwen3.8-Flash-Next 究竟是甚麼？

名稱上，Qwen3.8-Flash-Next 指的是 Qwen 公開的開放模型；相對地，Qwen3.8-Flash 是面向實際生產環境的模型及 API 服務名稱。現有資料將前者描述為一款採用混合專家（Mixture of Experts，MoE）架構的多模態模型，並且是 Qwen4 架構的早期預覽。1215

這個分別相當重要：Qwen3.8-Flash-Next 應該被理解為技術預覽及開發者藍圖，而不是「Qwen4 已經正式推出」的證據。公開權重讓社群可以提早適配推理工具、研究部署方法及回報問題，為日後完整 Qwen4 系列的推出作準備。2315

規格一覽

• 發布日期： 2026 年 8 月 26 日；8 月 27 日有進一步報道。1215
• 主模型： 1,250 億參數。15
• N-gram embedding： 額外 510 億參數。415
• 每個 token 啟用參數： 約 60 億。15
• 上下文長度： 原生 262,144 tokens，透過 YaRN 可延伸至 100 萬 tokens。1416
• 輸入形式： 支援文字及視覺輸入的多模態設計。1516
• 取得方式： 據報可在 Hugging Face 及 ModelScope 取得標準版和 FP8 開放權重版本。38

要留意的是，100 萬 tokens 並非原生上下文上限。模型標準設定是 262,144 tokens；更大的上下文窗口要依賴 YaRN 延伸，因此應視為額外配置，而非所有部署環境都自然具備的原生能力。1416

點解這個架構值得關注？

混合注意力，針對超長上下文

Qwen3.8-Flash-Next 將 Gated DeltaNet（GDN） 與 Qwen Sparse Attention（QSA） 結合。簡單講，GDN 嘗試將較早的上下文壓縮成更有效率的資訊表示；QSA 則透過輕量級索引，從過往內容中挑選相關的微區塊，而不是對整段歷史資料一視同仁地進行完整注意力運算。4

這種做法的目標，是令序列越長時，推理速度不會大幅拖慢，成本亦不會按上下文長度急升。Qwen 表示，在 100 萬 token 序列上，相關設計最高可帶來 7.6 倍 prefill 加速及 4.9 倍 decoding 加速。4

不過，這些數字屬於廠商公布的結果，實際表現會受硬件、軟件實作、序列內容及測試方法影響，不能直接當成所有部署環境都能複製的普遍成績。

N-gram embedding：增加容量，同時控制每次運算量

獨立的 N-gram embedding 組件，為模型增加表示能力，但限制每個 token 需要實際處理的參數數量。Qwen 的設計亦支援將這個 embedding table 放到主機記憶體，再以非同步方式預取資料，讓資料傳輸與模型運算重疊進行。4

對需要部署大型模型的團隊來說，這個方向有一定實際意義。模型成本不單取決於參數總數，記憶體放置方式及資料搬運效率同樣關鍵，尤其是處理長文件或大量批次工作時更是如此。

訓練方法亦是預覽的一部分

今次公開的不只是另一個 checkpoint 或注意力模組。Qwen 亦提到採用 Muon optimizer，調整它與 AdamW 的配合方式及參數處理方法，並為這套模型設計重新擬合 scaling law。4

因此，Qwen3.8-Flash-Next 更像是一次完整技術配方的公開測試：如何在維持較大總容量的同時，盡量降低每個 token 的實際運算量。

長上下文、基準測試與成本聲稱

Qwen 表示，Qwen3.8-Flash 的訓練成本約為 Qwen3.7-Plus 的九分之一，同時改善編程及辦公任務表現。路透社亦獨立報道，Qwen 宣稱新模型在編程和辦公任務上有更強表現，並能降低訓練成本。14

發布資料列出的成績包括：

• DeepSWE 1.1：58.7 分；
• SWE-bench Pro：62.5 分；
• AndroidWorld：84.5 分。4

Qwen 將這些結果定位為在價值型市場領先 DeepSeek V4 Flash。不過，現有資料未能證明相關結果已在完全等同的評測條件下獲獨立重現，因此這些比較仍應視為公司公布的基準數據，而非已經完成的第三方審核。4

至於生產版 Qwen3.8-Flash，公布的 API 價格為每 100 萬個輸入 tokens 收費 1 元人民幣，每 100 萬個輸出 tokens 收費 3 元人民幣；發布資料沒有描述繁忙及非繁忙時段的不同定價。14

與其他模型直接比較價格時，仍要看實際工作負載。模型版本、快取、上下文長度、服務級別及輸出要求不同，都可能令表面上的每 token 價格失去可比性。

對開發者有甚麼用？

開放權重令 Qwen3.8-Flash-Next 成為 Qwen4 推出前的一個實驗平台。開發者可以提早：

• 適配推理及服務工具；
• 測試量化和不同部署方法；
• 研究超長上下文的實際記憶體及成本表現；
• 在自己的資料和工作流程上驗證模型；以及
• 向社群及 Qwen 團隊提供回饋。2315

按其長上下文及低啟用參數設計，以下工作尤其值得測試：

• 大型文件及研究資料分析；
• 以整個程式碼庫為範圍的編程輔助；
• 需要使用工具、長時間運行的 agent；
• 會持續累積狀態的長篇對話；以及
• 大量文字及視覺資料的批次處理。

當然，這些是由模型設計推導出的合理應用方向，不代表它在生產環境一定勝過所有 dense model 或完整注意力模型。實際經濟效益仍會受到硬件要求、服務軟件、量化質素、檢索策略及工作負載組成影響。

最重要的前提：這是預覽，不是最終判決

Qwen3.8-Flash-Next 的意義，在於它提早公開了一條清晰的架構路線。研究人員和開發者現在可以實際檢視：稀疏及壓縮注意力、大型輔助 embedding，以及較低的啟用參數量，能否在不帶來不可接受的質素損失下，改善超長上下文 AI 的成本效益。

但發布中最吸引眼球的數字——包括速度提升、基準領先、訓練成本下降及性價比優勢——主要來自 Qwen 或根據 Qwen 披露內容作出的報道。模型在不同硬件、語言、上下文長度、多模態任務及實際 agent 工作流程中的表現，仍需要獨立測試。

所以，現階段最穩妥的結論不是「Qwen3.8-Flash-Next 擊敗所有競爭對手」，而是：它是一款開放、可檢視的多模態 MoE 技術預覽，讓開發者社群提早看到阿里巴巴為 Qwen4 籌備的系統架構，同時提供一份可以實際驗證的方案，探索如何令超長上下文 AI 更有效率。

阿里巴巴旗下 AI 團隊 Qwen 於 2026 年 8 月 26 日發布 Qwen3.8-Flash-Next，相關報道則於 8 月 27 日陸續出現。這款開放權重模型並不是已經正式推出的 Qwen4 旗艦，而是一個可以讓開發者及研究人員直接檢視、測試和改良的早期架構預覽，展示 Qwen 表示將用於 Qwen4 系列的技術方向。1215

它最受關注的地方，在於一個看似龐大、實際運算量卻相對克制的組合：主網絡有 1,250 億參數，另加 510 億參數的 N-gram embedding 組件，但每個 token 實際只啟用約 60 億參數。換句話說，模型保留較大的總容量，但不需要每次處理每個 token 時都動用全部參數。415

Qwen3.8-Flash-Next 究竟是甚麼？

名稱上，Qwen3.8-Flash-Next 指的是 Qwen 公開的開放模型；相對地，Qwen3.8-Flash 是面向實際生產環境的模型及 API 服務名稱。現有資料將前者描述為一款採用混合專家（Mixture of Experts，MoE）架構的多模態模型，並且是 Qwen4 架構的早期預覽。1215

這個分別相當重要：Qwen3.8-Flash-Next 應該被理解為技術預覽及開發者藍圖，而不是「Qwen4 已經正式推出」的證據。公開權重讓社群可以提早適配推理工具、研究部署方法及回報問題，為日後完整 Qwen4 系列的推出作準備。2315

規格一覽

• 發布日期： 2026 年 8 月 26 日；8 月 27 日有進一步報道。1215
• 主模型： 1,250 億參數。15
• N-gram embedding： 額外 510 億參數。415
• 每個 token 啟用參數： 約 60 億。15
• 上下文長度： 原生 262,144 tokens，透過 YaRN 可延伸至 100 萬 tokens。1416
• 輸入形式： 支援文字及視覺輸入的多模態設計。1516
• 取得方式： 據報可在 Hugging Face 及 ModelScope 取得標準版和 FP8 開放權重版本。38

要留意的是，100 萬 tokens 並非原生上下文上限。模型標準設定是 262,144 tokens；更大的上下文窗口要依賴 YaRN 延伸，因此應視為額外配置，而非所有部署環境都自然具備的原生能力。1416

點解這個架構值得關注？

混合注意力，針對超長上下文

Qwen3.8-Flash-Next 將 Gated DeltaNet（GDN） 與 Qwen Sparse Attention（QSA） 結合。簡單講，GDN 嘗試將較早的上下文壓縮成更有效率的資訊表示；QSA 則透過輕量級索引，從過往內容中挑選相關的微區塊，而不是對整段歷史資料一視同仁地進行完整注意力運算。4

這種做法的目標，是令序列越長時，推理速度不會大幅拖慢，成本亦不會按上下文長度急升。Qwen 表示，在 100 萬 token 序列上，相關設計最高可帶來 7.6 倍 prefill 加速及 4.9 倍 decoding 加速。4

不過，這些數字屬於廠商公布的結果，實際表現會受硬件、軟件實作、序列內容及測試方法影響，不能直接當成所有部署環境都能複製的普遍成績。

N-gram embedding：增加容量，同時控制每次運算量

獨立的 N-gram embedding 組件，為模型增加表示能力，但限制每個 token 需要實際處理的參數數量。Qwen 的設計亦支援將這個 embedding table 放到主機記憶體，再以非同步方式預取資料，讓資料傳輸與模型運算重疊進行。4

對需要部署大型模型的團隊來說，這個方向有一定實際意義。模型成本不單取決於參數總數，記憶體放置方式及資料搬運效率同樣關鍵，尤其是處理長文件或大量批次工作時更是如此。

訓練方法亦是預覽的一部分

今次公開的不只是另一個 checkpoint 或注意力模組。Qwen 亦提到採用 Muon optimizer，調整它與 AdamW 的配合方式及參數處理方法，並為這套模型設計重新擬合 scaling law。4

因此，Qwen3.8-Flash-Next 更像是一次完整技術配方的公開測試：如何在維持較大總容量的同時，盡量降低每個 token 的實際運算量。

長上下文、基準測試與成本聲稱

Qwen 表示，Qwen3.8-Flash 的訓練成本約為 Qwen3.7-Plus 的九分之一，同時改善編程及辦公任務表現。路透社亦獨立報道，Qwen 宣稱新模型在編程和辦公任務上有更強表現，並能降低訓練成本。14

發布資料列出的成績包括：

• DeepSWE 1.1：58.7 分；
• SWE-bench Pro：62.5 分；
• AndroidWorld：84.5 分。4

Qwen 將這些結果定位為在價值型市場領先 DeepSeek V4 Flash。不過，現有資料未能證明相關結果已在完全等同的評測條件下獲獨立重現，因此這些比較仍應視為公司公布的基準數據，而非已經完成的第三方審核。4

至於生產版 Qwen3.8-Flash，公布的 API 價格為每 100 萬個輸入 tokens 收費 1 元人民幣，每 100 萬個輸出 tokens 收費 3 元人民幣；發布資料沒有描述繁忙及非繁忙時段的不同定價。14

與其他模型直接比較價格時，仍要看實際工作負載。模型版本、快取、上下文長度、服務級別及輸出要求不同，都可能令表面上的每 token 價格失去可比性。

對開發者有甚麼用？

開放權重令 Qwen3.8-Flash-Next 成為 Qwen4 推出前的一個實驗平台。開發者可以提早：

• 適配推理及服務工具；
• 測試量化和不同部署方法；
• 研究超長上下文的實際記憶體及成本表現；
• 在自己的資料和工作流程上驗證模型；以及
• 向社群及 Qwen 團隊提供回饋。2315

按其長上下文及低啟用參數設計，以下工作尤其值得測試：

• 大型文件及研究資料分析；
• 以整個程式碼庫為範圍的編程輔助；
• 需要使用工具、長時間運行的 agent；
• 會持續累積狀態的長篇對話；以及
• 大量文字及視覺資料的批次處理。

當然，這些是由模型設計推導出的合理應用方向，不代表它在生產環境一定勝過所有 dense model 或完整注意力模型。實際經濟效益仍會受到硬件要求、服務軟件、量化質素、檢索策略及工作負載組成影響。

最重要的前提：這是預覽，不是最終判決

Qwen3.8-Flash-Next 的意義，在於它提早公開了一條清晰的架構路線。研究人員和開發者現在可以實際檢視：稀疏及壓縮注意力、大型輔助 embedding，以及較低的啟用參數量，能否在不帶來不可接受的質素損失下，改善超長上下文 AI 的成本效益。

但發布中最吸引眼球的數字——包括速度提升、基準領先、訓練成本下降及性價比優勢——主要來自 Qwen 或根據 Qwen 披露內容作出的報道。模型在不同硬件、語言、上下文長度、多模態任務及實際 agent 工作流程中的表現，仍需要獨立測試。

所以，現階段最穩妥的結論不是「Qwen3.8-Flash-Next 擊敗所有競爭對手」，而是：它是一款開放、可檢視的多模態 MoE 技術預覽，讓開發者社群提早看到阿里巴巴為 Qwen4 籌備的系統架構，同時提供一份可以實際驗證的方案，探索如何令超長上下文 AI 更有效率。