Qwen3.8-Flash-Next（2026）：Qwen Qwen4 预览版架构模型完整指南

Qwen3.8-Flash-Next（2026）：Qwen Qwen4 预览版架构模型完整指南

核心要点 (TL;DR)

  • Qwen3.8-Flash-Next 是阿里 Qwen 开源的支撑 Qwen4 的架构预览版——一个 125B 参数的 MoE 模型，每次 token 只激活6B 参数（外加 51B n-gram 嵌入），以极低的计算成本带来近前沿的智能。
  • 最大看点是效率：Qwen3.8-Flash-Next 的 DeepSWE 1.1 达到 58.7、SWE-bench Pro 达到 62.5、LiveCodeBench v6 达到 91.9，尽管属于"中端 Flash 版"，却在多数基准上胜过 Claude Opus 4.6 Max。训练成本约为 Qwen3.7-Plus 的九分之一。
  • Qwen3.8-Flash-Next 引入三个全新架构构件——Qwen 稀疏注意力（QSA）、Gated Residual、n-gram 嵌入——重新思考现代 LLM 核心组件在大规模下的交互方式。
  • Qwen3.8-Flash-Next 提供原生 262,144 token（256K）上下文窗口（可通过 YaRN 扩展到 1M），Qwen 报告在 1M token 处预填充最快 7.6 倍、解码最快 4.9 倍。官方托管版 Qwen3.8-Flash 默认 1M 上下文并内置工具。

目录

  1. 什么是 Qwen3.8-Flash-Next？
  2. Qwen3.8-Flash-Next 架构与规格
  3. Qwen3.8-Flash-Next 基准测试：效率的跃升
  4. 为什么"Flash"很重要：Qwen3.8-Flash-Next 的效率
  5. 运行 Qwen3.8-Flash-Next（部署与 API）
  6. Qwen3.8-Flash-Next 与竞品对比
  7. 常见问题解答
  8. 总结与行动建议

什么是 Qwen3.8-Flash-Next？

Qwen3.8-Flash-Next 是阿里 Qwen 团队发布的最新开源权重模型，标志着其路线图的关键转折。与 Qwen3.8-Max（2.4T 参数的旗舰）或 Qwen3.8-27B（270 亿参数的稠密模型）不同，Qwen3.8-Flash-Next 是基于彻底重构的架构打造的第一款开源模型——模型卡称之为"支撑 Qwen4 的架构的实验性预览"。

名字说明了一切。"Flash" 是 Qwen 的中端、效率优先品牌：用部分原始上限换取显著更低的成本和更快的推理。"Next" 表明这是下一代架构的蓝图。在 Qwen3.8-Flash-Next 中，原本的 Gated DeltaNet 与 Gated Attention 组合被重构为 Gated DeltaNet 加 Qwen 稀疏注意力（QSA），同时引入两个全新组件：Gated Residual 和 n-gram 嵌入。

其结果，Qwen 将其定位为"以部分计算成本，交付更大 Qwen3.8 系列的大部分推理与编码能力"。正如官方发布所言：问题不再是能扩展多少，而是能多高效地扩展。

专业提示： Qwen3.8-Flash-Next 在 Hugging Face 上以 Qwen/Qwen3.8-Flash-Next 提供，采用 qwen-community-1.0 许可（开源权重，但非完全宽松的 Apache 2.0）。需要托管推理的话，Qwen Cloud 上的官方 Qwen3.8-Flash 是生产级版本，默认 1M 上下文并内置官方工具。

架构与规格

以下是 Qwen3.8-Flash-Next 的核心规格：

规格 Qwen3.8-Flash-Next
模型类型 带视觉编码器的因果语言模型
总参数 125B MoE + 51B n-gram 嵌入 + 4B MTP
每 token 激活参数 6B
专家混合（MoE） 512 个专家（10 路由 + 1 共享激活），专家中间维度 640
隐藏维度 2,560
层数 48
隐藏布局 12 × (3 × (Gated DeltaNet → MoE) → 1 × (Qwen 稀疏注意力 → MoE))
视觉 支持（图像 + 文本输入，原生多模态）
原生上下文 262,144 token（256K）
可扩展上下文 最大 1,000,000 token（YaRN）
许可 qwen-community-1.0

Qwen3.8-Flash-Next 的决定性特征是：它不是简单的大或小，而是一次架构重构。三大新机制尤为突出。

1. 带 Qwen 稀疏注意力（QSA）的混合注意力

Qwen3.8-Flash-Next 处理注意力的方式发生了最大改变。它不再挑选单个 token，而是让 QSA 在微块（micro-block）级别运作——用轻量索引器（MQA，4 个查询头 + 1 个共享键头，128 维）整体选取需要关注的 token 块。这大幅降低了长上下文延迟，而这在智能体工作负载（拥有海量工具调用历史与巨型代码库）成为现实使用主流的今天至关重要。预算：512 块，即 2,048 token。

2. Gated Residual

深 LLM 的训练之所以可控，得益于带归一化的残差流。Qwen3.8-Flash-Next 用 Gated Residual 对其精巧化：通过逐元素、数据依赖的读门，以及逐分支的标量写门（4 分支，瓶颈秩 320），来调制流经加宽残差流的信息。结果是各层之间更细腻的表达力，同时保持训练稳定，并把推理开销压到很低。

3. n-gram 嵌入

Qwen3.8-Flash-Next 沿一条新轴缩放参数：嵌入而非专家权重。通过用短 n-gram（第 2 层 2000 万个二元/三元组，51B 嵌入参数）做索引，模型实现了计算量更少、也更适合内存卸载的参数缩放，比纯 MoE 更高效——尤其适合内存受限的加速器。这也就是为何 Qwen3.8-Flash-Next 能拥有 125B+ 参数却只激活 6B。

4. 定制训练配方

训练内存与成本通过一套定制配方得到优化：对特定权重类别分别应用 Muon 与 AdamW 优化器。在重新拟合的缩放定律指导下，Qwen 取消了传统的批大小预热，直接从目标批大小开始——大幅减少优化器步数，同时安全地支持更大的学习率以实现稳健收敛。这正是训练成本降到 Qwen3.7-Plus 约九分之一的重要原因。

✅ 最佳实践： 用 Qwen3.8-Flash-Next 做智能体任务时，思考试模式（默认开启）、复杂规划用 reasoning_effort="xhigh"。但要记住：reasoning_effort 更高不一定整体更慢——更低可能导致分析不足、失败与重试增多，反而推高总延迟与 token 消耗。

基准测试：效率的跃升

Qwen3.8-Flash-Next 的话题之所以迅速升温，与其基准曲线的形状有关：一个"Flash"（中端）模型在多数测试上超越前沿旗舰。以下是官方语言基准（对比此前的 Qwen 模型、DeepSeek-V4-Flash-0731、Claude Opus 4.6 Max）：

基准 Qwen3.8-Flash-Next Qwen3.8-27B Qwen3.7-Plus DeepSeek V4 Flash 0731 Opus 4.6 Max
激活参数 6B 27B 17B 13B –
DeepSWE 1.1 58.7 42.2 16.5 54.4 –
SWE-bench Pro 62.5 61.7 55.8 56.0 53.4
SWE-bench Multilingual 81.0 73.8 75.8 – 77.5
NL2Repo-Bench 48.1 42.3 41.1 54.2 47.6
CoWorkBench 73.9 70.7 65.1 45.1 68.2
JobBench 55.7 33.4 27.6 41.3 36.6
Agents' Last Exam（得分） 51.2 42.9 33.6 – –
Toolathlon Verified 73.5 67.1 50.6 70.3 –
IFBench 81.3 79.5 79.1 79.2 62.5
GPQA Diamond 91.7 89.2 90.3 90.8 91.3
HLE 35.9 30.8 34.7 33.8 40.0
LiveCodeBench v6 91.9 90.3 89.6 90.6 88.8

信息再明确不过。Qwen3.8-Flash-Next 在 DeepSWE 1.1（58.7）、SWE-bench Pro（62.5）、SWE-bench Multilingual（81.0）、CoWorkBench（73.9）、JobBench（55.7）、Toolathlon Verified（73.5）与 LiveCodeBench v6（91.9）上均居首——而这一切只用6B 激活参数。Claude Opus 4.6 Max 在 GPQA Diamond（91.3）与 Humanity's Last Exam（40.0）上保持优势，DeepSeek-V4-Flash 在 NL2Repo-Bench（54.2）上胜出。

视觉语言基准

Qwen3.8-Flash-Next 也是原生视觉语言模型。在多模态智能体与通用智能测试上：

基准 Qwen3.8-Flash-Next Qwen3.8-27B Qwen3.7-Plus Opus 4.6 Max
ClawEval-MM（Pass@3 / 均值） 64.4 / 60.4 57.4 / 56.9 57.4 / 60.1 52.5 / 54.7
RecreationBench 49.9 47.1 30.2 –
AndroidWorld 84.5 81.9 81.0 62.0
OSWorld 2.0（二值 / 部分） 19.4 / 52.3 19.4 / 48.0 2.8 / 21.5 –
Vision2Web 64.0 62.9 42.1 –
ERQA 72.3 65.5 69.8 40.8
LVBench（长视频） 76.6 72.4 76.2 63.0
RealWorldQA 88.5 85.9 86.9 73.9
MathVision（with CI） 95.7 94.6 88.7 65.5
CharXiv RQ（with CI） 90.6 90.2 85.9 66.0

Qwen3.8-Flash-Next 在计算机使用、移动端使用、长视频理解、具身感知与视觉数学上全面超越 Claude Opus 4.6 Max——而这一切都由一个只激活 6B 参数的模型完成。

⚠️ 注意： 这些是 Qwen 官方自测数据，尚未独立验证。在第三方排行榜（如 DeepSWE 或 SWE-bench Pro 排行榜）确认之前，应把最深层的基准主张视为方向性参考。

为什么"Flash"很重要

定位与原始分数同样重要。Qwen3.8-Flash-Next 刻意被定价和定位为中端、效率优先模型——而非旗舰。正因如此，其基准结果才真的令人意外：一个便宜、低激活的模型，在企业最看重的智能体编码与长程基准上占据领先。

经济性是核心。Qwen 声称训练 Qwen3.8-Flash-Next 的成本约为 Qwen3.7-Plus 的九分之一，却几乎在所有基准上胜出。这与 Qwen 数周前在 Qwen3.8-27B 上的思路一致——把更小更便宜的模型与远大于它的对手对比，仍能保持竞争力。Flash-Next 把这一论证再推进一步：直接重构架构本身，使节省来自模型如何计算，而不仅是参数多少。

对任何支付 API token 或自建 GPU 的人来说，Qwen3.8-Flash-Next 的激活比（125B 中 6B 激活）才是实操的看点：大部分智能，极少计算。

专业提示： 如果你的工作负载以长上下文智能体任务为主——庞大的工具调用历史、聊天记录、多文件代码库——那么 Qwen3.8-Flash-Next 的 QSA 与 256K→1M 上下文扩展正是为你而生。Qwen 报告在 1M token 处，预填充最快比先前架构快 7.6 倍、解码最快快 4.9 倍。

运行 Qwen3.8-Flash-Next（部署与 API）

让 Qwen3.8-Flash-Next 跑起来很简单。Qwen 建议大多数用户采用 API 集成；自托管则提供 Transformers 兼容权重，可用于 SGLang、vLLM、TokenSpeed。

支持的推理框架

框架 说明
SGLang Qwen3.8-Flash-Next Cookbook —— 推荐用于生产/高吞吐
vLLM Qwen3.8-Flash-Next Recipe
TokenSpeed Qwen3.8-Flash-Next Recipe
KTransformers 推荐用于高吞吐服务
Qwen Cloud 官方托管版 Qwen3.8-Flash —— 默认 1M 上下文 + 内置工具

[!Important] 推理效率与吞吐在各框架间差异显著。Qwen 强烈建议使用最新版框架；对生产或高吞吐工作负载，强烈推荐 SGLang、KTransformers 或 vLLM 这类专用服务引擎。

API 用法

Qwen3.8-Flash-Next 默认以思考模式运行，在最终回答前生成推理内容（以 \n...\n\n 标示）。可用 enable_thinking、preserve_thinking 与 reasoning_effort（等级：xhigh、medium、low）控制思考行为。

推荐采样参数：

  • 思考模式： temperature=1.0、top_p=0.95、top_k=20、min_p=0.0、presence_penalty=0.0、repetition_penalty=1.0
  • 指令（非思考）模式： temperature=0.7、top_p=0.80、top_k=20、min_p=0.0、presence_penalty=1.5、repetition_penalty=1.0

纯文本示例（OpenAI 兼容 API）：

from openai import OpenAI

client = OpenAI()  # 设置 OPENAI_BASE_URL 与 OPENAI_API_KEY

completion = client.chat.completions.create(
    model="Qwen/Qwen3.8-Flash-Next",
    messages=[{"role": "user", "content": "Write a Python function to merge two sorted linked lists."}],
    extra_body={
        "chat_template_kwargs": {
            "enable_thinking": True,   # 默认开启
            "preserve_thinking": True, # 默认开启
        },
    },
    reasoning_effort="xhigh",          # 默认 xhigh；可选 xhigh、medium、low
    stream=True,
    stream_options={"include_usage": True},
)

Qwen3.8-Flash-Next 也通过标准 OpenAI image_url 内容类型接受图像输入，使其成为 Chat Completions API 即插即用的原生视觉语言模型。

与竞品对比

Qwen3.8-Flash-Next 与其对比对象相比表现如何？

模型 总参数 激活 DeepSWE SWE-bench Pro 本地友好 视觉
Qwen3.8-Flash-Next 125B 6B 58.7 62.5 ✅（高效） ✅ 原生
Qwen3.8-27B 27B 稠密 27B 42.2 61.7 ✅（消费级 GPU） ✅
DeepSeek V4 Flash 0731 284B 13B 54.4 56.0 ⚠️（较大） ❌
Qwen3.7-Plus 397B 17B 16.5 55.8 ⚠️ ✅
Claude Opus 4.6 Max 前沿 – – 53.4 ❌ ✅

结论最清晰：Qwen3.8-Flash-Next 不仅超越体量更大、更昂贵的兄弟 Qwen3.7-Plus，还在大部分共享基准上超越前沿的 Claude Opus 4.6 Max——而只激活区区 6B 参数。败点很窄：DeepSeek-V4-Flash 在 NL2Repo-Bench 上占优，Claude 在最难的前沿推理测试（GPQA Diamond 与 HLE）上占优。在智能体编码与长程工作方面，Qwen3.8-Flash-Next 是目前效率之王。

常见问题解答

Q: 什么是 Qwen3.8-Flash-Next？

A: Qwen3.8-Flash-Next 是阿里 Qwen 开源的 Qwen4 架构预览——一个 125B 参数的专家混合视觉语言模型，每 token 只激活 6B 参数，外加 51B n-gram 嵌入。它引入 Qwen 稀疏注意力、Gated Residual 与 n-gram 嵌入，以高效率和规模化面向编码、智能体与长上下文工作负载。

Q: Qwen3.8-Flash-Next 激活多少参数？

A: 在 125B 总参数中，每 token 只有 6B 激活，另有 51B n-gram 嵌入参数与 4B MTP。这一低激活比正是 Qwen3.8-Flash-Next 效率设计的核心。

Q: Qwen3.8-Flash-Next 的基准表现如何？

A: Qwen3.8-Flash-Next 在 DeepSWE 1.1 上得 58.7、SWE-bench Pro 得 62.5、SWE-bench Multilingual 得 81.0、Toolathlon Verified 得 73.5、LiveCodeBench v6 得 91.9——只用 6B 激活参数就在大部分共享基准上超越 Claude Opus 4.6 Max。

Q: Qwen3.8-Flash-Next 的上下文长度是多少？

A: Qwen3.8-Flash-Next 原生支持 262,144 token（256K），可通过 YaRN 缩放扩展到 1,000,000 token。凭借 Qwen 重构的注意力内核，1M token 处预填充最快 7.6 倍、解码最快 4.9 倍。

Q: Qwen3.8-Flash-Next 是开源的么？

A: Qwen3.8-Flash-Next 以 qwen-community-1.0 许可开源（非 Apache 2.0），在 Hugging Face Qwen/Qwen3.8-Flash-Next 与 ModelScope 上提供。商业使用需遵循社区许可条款。

Q: 能本地运行吗？

A: 能。Qwen3.8-Flash-Next 兼容 Transformers，并获 SGLang、vLLM、TokenSpeed、KTransformers 官方支持。因为它只激活 6B 参数，远比参数数量给人的印象更省内存。

Q: 支持图像吗？

A: 支持。Qwen3.8-Flash-Next 是原生视觉语言模型，通过 OpenAI 兼容 Chat Completions API 接受图像 + 文本输入。它在 RealWorldQA 上得 88.5、MathVision（with CI）得 95.7、CharXiv RQ（with CI）得 90.6。

Q: 支持工具调用与思考模式吗？

A: 支持。Qwen3.8-Flash-Next 默认以思考模式运行，支持 enable_thinking、preserve_thinking、reasoning_effort（xhigh/medium/low）。它支持工具调用，并在最终回答之外返回推理内容。

Q: Qwen3.8-Flash（托管版）是什么？

A: Qwen3.8-Flash 是基于 Qwen3.8-Flash-Next 打造的 Qwen Cloud 官方生产版，默认 1M 上下文窗口并内置官方工具——若你想要托管推理而非自托管，推荐使用它。

Q: Qwen3.8-Flash-Next 是何时发布的？

A: Qwen3.8-Flash-Next 开源权重于2026 年 8 月 26 日发布，同步发布技术报告，并在 Qwen Cloud 提供生产版 Qwen3.8-Flash。

总结与行动建议

Qwen3.8-Flash-Next 是 2026 年最重要的效率发布之一。它是 Qwen4 架构的首个开源窗口，并证明一个"中端 Flash"模型——仅 6B 激活参数——能在对真实智能体工作最重要的基准上（DeepSWE 1.1 58.7、SWE-bench Pro 62.5、CoWorkBench 73.9、LiveCodeBench v6 91.9）超越前沿旗舰。凭借原生视觉、256K→1M 上下文、QSA 驱动的长上下文加速、以及 Qwen3.7-Plus 约九分之一的训练成本，它重新定义了"计算对智能"的比率。

注意点：这些是待独立验证的 Qwen 自测基准；许可是 qwen-community-1.0，并非完全宽松；在最难的前沿推理测试（GPQA Diamond 91.3、HLE 40.0）上 Claude Opus 4.6 Max 仍领先。但对成本敏感、长上下文、智能体与多模态工作负载而言，Qwen3.8-Flash-Next 树立了新标杆。

下一步行动：

  1. 试试 API —— 通过 OpenAI 兼容的 Chat Completions API（本地 SGLang/vLLM 服务或 Qwen Cloud）在真实智能体编码任务上试用 Qwen3.8-Flash-Next。
  2. 与你的技术栈对标 —— 在 DeepSWE 风格与长上下文任务上，将 Qwen3.8-Flash-Next 与当前模型并排对比，看成本/性能收益。
  3. 关注架构演进 —— 既然 Qwen3.8-Flash-Next 预览了 Qwen4，请关注 Qwen3.8-Flash-Next 博客 与技术报告 了解全代际落地。

原文： Qwen3.8-Flash-Next (2026): The Complete Guide to Qwen's Qwen4-Preview Architecture Model

参考资料： Hugging Face 上的 Qwen3.8-Flash-Next · Qwen3.8-Flash-Next 博客 · Qwen3.8-Flash-Next 技术报告 · OfficeChai: Alibaba Releases Qwen 3.8 Flash-Next · PC Watch（日文）

posted on 2026-08-26 22:10  见路非道  阅读(268)  评论(0)    收藏  举报