阿里巴巴旗下 Qwen 於 2026 年 8 月 26 日發布 Qwen3.8-Flash-Next，相關報導在 8 月 27 日陸續出現。它不是正式登場的 Qwen4 旗艦模型，而是一款開放權重、可供研究與部署的多模態模型，用來提前展示 Qwen 表示將支撐 Qwen4 系列的架構方向。1215

這款模型最受關注的地方，在於它試圖同時做到「總容量很大」與「每個 Token 的運算量相對較低」：主模型包含 1250 億參數，另有 510 億參數的 N-gram 嵌入模組，但每個 Token 約啟用 60 億參數。這種設計旨在保留大型模型的表示能力，又避免像密集模型一樣，每次處理 Token 都必須完整運算所有參數。415

先釐清：Qwen3.8-Flash 與 Qwen3.8-Flash-Next

Qwen3.8-Flash-Next 是 Qwen 公開的開放權重模型，也是 Qwen4 架構的早期預覽版；Qwen3.8-Flash 則是面向正式服務與 API 的產品名稱。兩者相關，但不應直接視為同一個發布形態。1215

因此，Qwen3.8-Flash-Next 更適合被理解為「技術預覽與開發者藍圖」，而不是 Qwen4 已經完整上市的證明。提前開放模型權重，讓研究人員與開發者能先研究架構、準備推理工具、測試部署方式，並在完整 Qwen4 家族推出前提供回饋。2315

規格一覽

• 發布時間： 2026 年 8 月 26 日；8 月 27 日出現後續報導。1215
• 主模型： 125B，也就是約 1250 億參數。15
• N-gram 嵌入： 額外 51B，約 510 億參數。415
• 每個 Token 啟用參數： 約 6B，即約 60 億參數。15
• 原生上下文長度： 262,144 Tokens；透過 YaRN 可延伸至 100 萬 Tokens。1416
• 輸入形式： 支援文字與視覺輸入的多模態模型設計。1516
• 取得方式： 報導指出，標準版與 FP8 開放權重版本可在 Hugging Face 和 ModelScope 取得。38

這裡要特別注意「100 萬 Tokens」的說法。模型標準配置的原生上下文上限是 262,144 Tokens；100 萬 Tokens 則依賴 YaRN 延伸，因此應視為擴充配置，而非原生上下文長度。1416

架構亮點：為什麼能處理長上下文？

Gated DeltaNet 加上 Qwen Sparse Attention

Qwen3.8-Flash-Next 將 Gated DeltaNet（GDN） 與 Qwen Sparse Attention（QSA） 結合。GDN 的設計重點是壓縮較早之前的上下文資訊；QSA 則透過輕量索引器，從歷史內容中挑選相關的微區塊，而不是對整段上下文一律執行完整注意力運算。4

這種混合式注意力架構的目標，是降低序列長度增加時的推理成本與延遲。Qwen 表示，在 100 萬 Token 的序列上，最高可達到 7.6 倍預填充速度與 4.9 倍解碼速度。4

不過，這些數字屬於 Qwen 公布的結果，實際表現仍會受到硬體、推理框架、序列內容與基準測試設定影響，不能直接當成所有部署環境都能複製的普遍結論。

N-gram 嵌入：增加容量，也控制每 Token 運算

獨立的 N-gram 嵌入模組，讓模型獲得額外表示容量，同時限制每個 Token 需要實際處理的完整參數數量。Qwen 的設計也支援將這個嵌入表放到主機記憶體，並以非同步預取方式，讓資料傳輸與模型計算重疊進行。4

對需要部署大型模型的團隊而言，這是一個值得關注的方向。模型的實際成本不只取決於參數總量，記憶體如何配置、資料如何搬移，同樣會影響長文件處理與大量批次工作的效率。

不只是換一個注意力模組

這次預覽也涵蓋訓練與擴展方法。Qwen 表示，模型採用了 Muon 最佳化器，並調整它與 AdamW、參數處理流程之間的配合，同時為這套模型設計重新擬合 scaling law（擴展定律）。4

換句話說，這不只是換上新注意力模組的模型檢查點，而是一次針對「大總容量、低啟用運算量」模型配方的公開測試。

長上下文、基準測試與成本主張

Qwen 表示，Qwen3.8-Flash 的訓練成本約為前代 Qwen3.7-Plus 的九分之一，同時改善程式編寫與辦公任務表現。路透社也報導了阿里巴巴關於較低訓練成本，以及程式編寫和辦公任務表現提升的說法。14

發布相關資料列出的測試分數包括：

• DeepSWE 1.1：58.7
• SWE-bench Pro：62.5
• AndroidWorld：84.5

Qwen 將這些結果定位為價值型市場中優於 DeepSeek V4 Flash 的表現。不過，現有資料尚未證明這些比較已在完全等效的測試環境下獲得獨立重現，因此應把它們視為公司公布的基準測試主張，而非已經定案的業界結論。4

正式版 Qwen3.8-Flash 的 API 報價則是：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。發布資料未描述尖峰與離峰時段的差別。14

API 價格看似容易比較，但實際成本仍取決於模型版本、快取機制、上下文長度、服務層級與輸出需求；因此不能只用單一 Token 單價判斷不同模型的整體經濟性。

開放權重對開發者意味著什麼？

Qwen3.8-Flash-Next 的價值，不只在於一次模型發布，也在於它讓開發者能在 Qwen4 正式到來前，先接觸這套架構。團隊可以提早調整推理工具、測試量化與服務方法，並以自身工作負載檢查模型的實際行為，而不必等到 Qwen4 最終版本才開始準備。2315

它尤其適合拿來研究以下類型的工作：

• 大型文件與研究資料分析；
• 以整個程式碼儲存庫為範圍的程式開發協助；
• 需要使用工具、長時間運作的 AI Agent；
• 持續累積對話狀態的長對話；
• 文字與視覺資料的大量批次處理。

這些應用方向，是根據模型的長上下文與低啟用參數設計所作的合理推論，不代表它在每一種生產環境中都必然勝過密集模型或完整注意力模型。硬體需求、服務軟體、量化品質、檢索策略與實際工作負載，最終都會影響部署成本和效果。

最重要的保留：這是預覽，不是最終裁判

Qwen3.8-Flash-Next 的真正意義，在於它提早公開了一個可檢驗的架構方向。研究社群可以藉此分析：稀疏與壓縮式注意力、大型輔助嵌入，以及較低的每 Token 啟用參數，能否在不造成不可接受的品質損失下，改善超長上下文 AI 的成本效益。

但發布資料中最亮眼的數字——包括速度提升、基準測試領先、訓練成本下降與價值優勢——主要來自 Qwen 或依據 Qwen 揭露內容撰寫的報導。要判斷它在不同硬體、語言、上下文長度、多模態任務與實際 Agent 工作流程中的表現，仍需要更多獨立測試。

因此，目前最穩妥的結論不是「Qwen3.8-Flash-Next 擊敗所有競爭模型」，而是：它是一款開放的多模態 MoE 技術預覽版，讓開發者社群得以提早研究阿里巴巴為 Qwen4 準備的系統架構，也提供了一份可實際測試的藍圖，探索如何讓超長上下文 AI 更有效率。

阿里巴巴旗下 Qwen 於 2026 年 8 月 26 日發布 Qwen3.8-Flash-Next，相關報導在 8 月 27 日陸續出現。它不是正式登場的 Qwen4 旗艦模型，而是一款開放權重、可供研究與部署的多模態模型，用來提前展示 Qwen 表示將支撐 Qwen4 系列的架構方向。1215

這款模型最受關注的地方，在於它試圖同時做到「總容量很大」與「每個 Token 的運算量相對較低」：主模型包含 1250 億參數，另有 510 億參數的 N-gram 嵌入模組，但每個 Token 約啟用 60 億參數。這種設計旨在保留大型模型的表示能力，又避免像密集模型一樣，每次處理 Token 都必須完整運算所有參數。415

先釐清：Qwen3.8-Flash 與 Qwen3.8-Flash-Next

Qwen3.8-Flash-Next 是 Qwen 公開的開放權重模型，也是 Qwen4 架構的早期預覽版；Qwen3.8-Flash 則是面向正式服務與 API 的產品名稱。兩者相關，但不應直接視為同一個發布形態。1215

因此，Qwen3.8-Flash-Next 更適合被理解為「技術預覽與開發者藍圖」，而不是 Qwen4 已經完整上市的證明。提前開放模型權重，讓研究人員與開發者能先研究架構、準備推理工具、測試部署方式，並在完整 Qwen4 家族推出前提供回饋。2315

規格一覽

• 發布時間： 2026 年 8 月 26 日；8 月 27 日出現後續報導。1215
• 主模型： 125B，也就是約 1250 億參數。15
• N-gram 嵌入： 額外 51B，約 510 億參數。415
• 每個 Token 啟用參數： 約 6B，即約 60 億參數。15
• 原生上下文長度： 262,144 Tokens；透過 YaRN 可延伸至 100 萬 Tokens。1416
• 輸入形式： 支援文字與視覺輸入的多模態模型設計。1516
• 取得方式： 報導指出，標準版與 FP8 開放權重版本可在 Hugging Face 和 ModelScope 取得。38

這裡要特別注意「100 萬 Tokens」的說法。模型標準配置的原生上下文上限是 262,144 Tokens；100 萬 Tokens 則依賴 YaRN 延伸，因此應視為擴充配置，而非原生上下文長度。1416

架構亮點：為什麼能處理長上下文？

Gated DeltaNet 加上 Qwen Sparse Attention

Qwen3.8-Flash-Next 將 Gated DeltaNet（GDN） 與 Qwen Sparse Attention（QSA） 結合。GDN 的設計重點是壓縮較早之前的上下文資訊；QSA 則透過輕量索引器，從歷史內容中挑選相關的微區塊，而不是對整段上下文一律執行完整注意力運算。4

這種混合式注意力架構的目標，是降低序列長度增加時的推理成本與延遲。Qwen 表示，在 100 萬 Token 的序列上，最高可達到 7.6 倍預填充速度與 4.9 倍解碼速度。4

不過，這些數字屬於 Qwen 公布的結果，實際表現仍會受到硬體、推理框架、序列內容與基準測試設定影響，不能直接當成所有部署環境都能複製的普遍結論。

N-gram 嵌入：增加容量，也控制每 Token 運算

獨立的 N-gram 嵌入模組，讓模型獲得額外表示容量，同時限制每個 Token 需要實際處理的完整參數數量。Qwen 的設計也支援將這個嵌入表放到主機記憶體，並以非同步預取方式，讓資料傳輸與模型計算重疊進行。4

對需要部署大型模型的團隊而言，這是一個值得關注的方向。模型的實際成本不只取決於參數總量，記憶體如何配置、資料如何搬移，同樣會影響長文件處理與大量批次工作的效率。

不只是換一個注意力模組

這次預覽也涵蓋訓練與擴展方法。Qwen 表示，模型採用了 Muon 最佳化器，並調整它與 AdamW、參數處理流程之間的配合，同時為這套模型設計重新擬合 scaling law（擴展定律）。4

換句話說，這不只是換上新注意力模組的模型檢查點，而是一次針對「大總容量、低啟用運算量」模型配方的公開測試。

長上下文、基準測試與成本主張

Qwen 表示，Qwen3.8-Flash 的訓練成本約為前代 Qwen3.7-Plus 的九分之一，同時改善程式編寫與辦公任務表現。路透社也報導了阿里巴巴關於較低訓練成本，以及程式編寫和辦公任務表現提升的說法。14

發布相關資料列出的測試分數包括：

• DeepSWE 1.1：58.7
• SWE-bench Pro：62.5
• AndroidWorld：84.5

Qwen 將這些結果定位為價值型市場中優於 DeepSeek V4 Flash 的表現。不過，現有資料尚未證明這些比較已在完全等效的測試環境下獲得獨立重現，因此應把它們視為公司公布的基準測試主張，而非已經定案的業界結論。4

正式版 Qwen3.8-Flash 的 API 報價則是：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。發布資料未描述尖峰與離峰時段的差別。14

API 價格看似容易比較，但實際成本仍取決於模型版本、快取機制、上下文長度、服務層級與輸出需求；因此不能只用單一 Token 單價判斷不同模型的整體經濟性。

開放權重對開發者意味著什麼？

Qwen3.8-Flash-Next 的價值，不只在於一次模型發布，也在於它讓開發者能在 Qwen4 正式到來前，先接觸這套架構。團隊可以提早調整推理工具、測試量化與服務方法，並以自身工作負載檢查模型的實際行為，而不必等到 Qwen4 最終版本才開始準備。2315

它尤其適合拿來研究以下類型的工作：

• 大型文件與研究資料分析；
• 以整個程式碼儲存庫為範圍的程式開發協助；
• 需要使用工具、長時間運作的 AI Agent；
• 持續累積對話狀態的長對話；
• 文字與視覺資料的大量批次處理。

這些應用方向，是根據模型的長上下文與低啟用參數設計所作的合理推論，不代表它在每一種生產環境中都必然勝過密集模型或完整注意力模型。硬體需求、服務軟體、量化品質、檢索策略與實際工作負載，最終都會影響部署成本和效果。

最重要的保留：這是預覽，不是最終裁判

Qwen3.8-Flash-Next 的真正意義，在於它提早公開了一個可檢驗的架構方向。研究社群可以藉此分析：稀疏與壓縮式注意力、大型輔助嵌入，以及較低的每 Token 啟用參數，能否在不造成不可接受的品質損失下，改善超長上下文 AI 的成本效益。

但發布資料中最亮眼的數字——包括速度提升、基準測試領先、訓練成本下降與價值優勢——主要來自 Qwen 或依據 Qwen 揭露內容撰寫的報導。要判斷它在不同硬體、語言、上下文長度、多模態任務與實際 Agent 工作流程中的表現，仍需要更多獨立測試。

因此，目前最穩妥的結論不是「Qwen3.8-Flash-Next 擊敗所有競爭模型」，而是：它是一款開放的多模態 MoE 技術預覽版，讓開發者社群得以提早研究阿里巴巴為 Qwen4 準備的系統架構，也提供了一份可實際測試的藍圖，探索如何讓超長上下文 AI 更有效率。