大家好！我是云创AI。智谱和阿里同时甩出王炸模型------重点是价格为上一个版本的1/10，实在是太香了，废话不多说，今天就来聊聊其中的号称Qwen4:Qwen3.8-Flash模型。
8月26日晚间阿里通义千问团队正式发布了 Qwen3.8-Flash。通义团队同时发布了 Qwen3.8-Flash-Next 的开源权重，Next 新架构将是全新一代 Qwen4 系列模型的雏形。
这是一个多模态 MoE 模型，主模型参数量为 125B，额外配备 51B 的 N-gram Embedding，每 token 激活 6B 参数。它原生支持 262,144 tokens 上下文，并可通过 YaRN 扩展至 1M tokens。
划重点，这是一个多模态 MoE 模型，主模型参数量为125B，额外配备 51B 的 N-gram Embedding，每 token 激活 6B 参数。 它原生支持 262,144 token 上下文，并可通过 YaRN 扩展至 1M token。
据介绍，Qwen3.8-Flash 围绕四个方向进行了系统升级：
- 在 Attention 方面，采用 GDN（Gated DeltaNet）+ QSA（Qwen Sparse Attention）混合架构。GDN 负责高效压缩历史信息，QSA 则通过轻量级 Indexer 在 micro-block 粒度上筛选重要上下文，显著降低长序列 Attention 开销。面对 1M token 的超长上下文，QSA 的 Attention Kernel 在 Prefill 和 Decode 阶段分别实现最高 7.6 倍和 4.9 倍的加速。
- 在 Residual 方面，引入 Gated Residual（GR）机制，将残差流扩展为 4 条并行分支，通过动态 Gate 控制信息读写。残差状态支持 FP8 存储，大幅降低访存开销。
- 在 Embedding 方面，引入 51B 参数的 N-gram Embedding，利用局部上下文查表扩展模型容量。这些参数可卸载至 Host Memory，通过异步 Prefetch 与模型计算重叠，不长期占用 GPU 显存。
- 在 Optimization 方面，采用 Muon Optimizer，并针对正交化精度、参数分工及融合矩阵拆分等策略进行优化。针对新架构重新拟合了 Scaling Law。
相比于 Qwen3.7-Plus，Qwen3.8-Flash显著降低了训练与推理成本，训练开销仅约为前者的 1/9，但在编码和办公任务上却具有更强的能力。
性能与成本
相比 Qwen3.7-Plus，Qwen3.8-Flash 的训练成本仅约为前者的九分之一，但在编码和办公任务上具备更强能力。
在 6B 激活参数下，Qwen3.8-Flash-Next-Base 在 14 个 benchmark 中的 8 个上取得最优结果，包括 MMLU-Pro、SuperGPQA、BBH、SWEBench-Pretrain、MGSM 与 MMMU。
模型表现
纯文本：
多模态：
模型结构：
Base 模型表现：
Qwen3.8-Flash现已上线千问AI平台，对外提供API服务，每百万Tokens输入1元，输出3元。今晚，Qwen3.8-Flash还将首发上线"千问办公"。
我们同时发布了Qwen3.8-Flash-Next的开源权重，Next新架构将是全新一代Qwen4系列模型的雏形。我们这次提前释出结构上的改动，以便在基于此构建 Qwen4 完整模型家族之前，先让社区对其进行检验。
模型权重将在 Hugging Face 与 ModelScope 发布，默认 1M 上下文并内置官方工具的生产版本，以 Qwen3.8-Flash 的形式在千问AI平台提供服务。有关 Qwen3.8-Flash-Next 架构设计、训练方法和实验分析的更多技术细节，请参阅 GitHub 仓库中的技术报告。
可用性与定价
云创AI从官方获悉，Qwen3.8-Flash 即将上线千问 AI 平台，对外提供 API 服务，定价为每百万 Tokens 输入 1 元、输出 3 元。
模型权重已于北京时间 8 月 26 日 23:00 在 Hugging Face 与 ModelScope 平台开源，同步发布 FP8 量化版本。Qwen3.8-Flash-Next 默认支持 1M 上下文并内置官方工具。
Qwen3.8-Flash模型体验地址👇
技术报告：https://github.com/QwenLM/Qwen3.8-Flash-Next/blob/main/tech_report.pdf
技术博客：https://qwen.ai/blog?id=qwen3.8-flash-next
Hugging Face：
ModelScope：
千问AI平台：
https://www.qianwenai.com/models/qwen3.8-flash
Qwen3.8-Flash总结
Qwen3.8-Flash-Next 在 Qwen3-Next 所引入的混合架构之上，沿 Attention、Residual、Embedding 与 Optimization 四个方向作了扩展。
QSA 在每一层内部将序列压缩为 micro-block，在保持精确检索能力的同时，降低了长上下文下的注意力开销与 indexing 开销。
Gated Residual 将残差流扩展为多条并行分支，并以逐元素的动态门控控制读写，在算术开销可忽略的前提下改善跨层信息传递与训练稳定性；残差状态还可以保存为 FP8，进一步降低访存量。
N-gram Embedding 以确定性寻址的查表记忆扩展容量，可以在几乎不增加每 token 计算的前提下扩展，并卸载到 host memory。
优化方面，Muon 作为主优化器使用，其中正交化精度、参数分工与融合矩阵拆分是决定性的实现选择，我们也针对新架构重新拟合了 Scaling Law。
和此前发布 Qwen3-Next 时一样，这一次我们仍然选择提前开放这些权重，希望社区能够对这一全新的架构进行测验。我们也将继续对其进行完善，并逐步向 Qwen4 演进。
参考资料：
-
技术报告：https://github.com/ QwenLM / Qwen3.8-Flash-Next / blob / main / tech_report.pdf
-
**技术博客：**https://qwen.ai/ blog?id=qwen3.8-flash-next
-
**Hugging Face：**https://huggingface.co/Qwen/Qwen3.8-Flash-Next?spm=a2ty_o06.30285417.0.0.1d73c921FsyOPe\&file=Qwen3.8-Flash-Next