8 月 26 日，阿里 Qwen 团队开放了 Qwen3.8-Flash-Next 的权重，并把它的定位写得直白：不是一次常规迭代，而是 Qwen4 架构的"提前预览"。官方博客明确说，它扮演的角色与当年的 Qwen3-Next 之于 Qwen3.5 相同——那次引入的 Gated DeltaNet 加 Gated Attention 混合架构，后来被 Qwen3.5 到 Qwen3.8 全系沿用。这一次，Qwen 把下一代架构在注意力、残差、嵌入、优化器四个方向上的改动提前交给社区，押注的是一条靠稀疏激活和确定性查找表压低每 token 成本的路线。
6B 激活、约 180B 存盘：稀疏激活省的是计算，不是显存
Qwen3.8-Flash-Next 是一个多模态混合专家（MoE）模型：125B 主干，外加 51B 的 N-gram 嵌入表和 4B 的多 token 预测（MTP）模块，磁盘上约 180B 参数，但每个 token 只激活 6B。作为对照，上一代 Qwen3.7-Plus 是 397B 总参数、17B 激活，Flash-Next 的激活量只有它的约三分之一。
"6B 激活"容易让人误以为这是台工作站能跑的轻量模型。事实相反：稀疏激活砍掉的是每个 token 的矩阵乘法计算量，并不减少权重占用的存储。FP8 checkpoint 有 172.78 GiB，BF16 是 335.28 GiB；按 vLLM 的部署配方，FP8 在 GB300 上至少需要 TP2、推荐 TP4，8×H200 节点要用 TEP8。自托管意味着多卡节点，而不是单张消费级 GPU。
四项架构改动，围绕同一个目标：长上下文下的每 token 成本
官方把改动归结为四个方面。注意力的核心是 GDN 与 QSA 的混合：48 层里每 4 层为一组，其中 3 层用 Gated DeltaNet（GDN）——一种线性注意力，把历史信息持续压缩进一个固定大小的循环状态；第 4 层用 Qwen Sparse Attention（QSA），由轻量 indexer 先把序列聚成 micro-block、在块级别估计重要性，再只对选中的区域做全局注意力。用官方的话说，GDN 负责高效地"记"，QSA 负责精确地"取"；QSA 的预算被设为 512 个块、2048 token。
残差方面，Gated Residual 把单一残差流扩成 4 条并行分支，用逐元素读门和每分支标量写门动态控制读写，瓶颈秩 320，残差状态还支持 FP8 存储以进一步减少内存访问。嵌入方面，N-gram Embedding 在第 2 层放了一张 2000 万条目的二元/三元短语查找表，用局部上下文做确定性查表；因为查表位置可以预先确定，这 51B 参数能放在主机内存、用异步预取与计算重叠，不必常驻 GPU 显存。优化方面，主优化器换成 Muon，与 AdamW 分工，并重拟合了 scaling law——团队还发现大批量训练常用的 batch-size warmup 不再必要，直接以目标 batch 起步反而省掉 18.8% 的优化步数。
"1/9 训练成本"是厂商自报，基准分数有方法论取舍
官方宣称训练成本约为 Qwen3.7-Plus 的 1/9，同时在编码和办公任务上表现更好——这句话的每一半都来自 Qwen 自己的测量，尚无第三方复现。
看自报的基准分数，领先集中在 agentic 编码和办公任务：DeepSWE 1.1 得 58.7（Qwen3.7-Plus 为 16.5）、SWE-bench Pro 62.5、CoWorkBench 73.9（DeepSeek-V4-Flash 为 45.1）、JobBench 55.7（Qwen3.7-Plus 为 27.6，接近翻倍）、LiveCodeBench v6 91.9、GPQA Diamond 91.7。但它并非处处领先：多学科推理 HLE 得 35.9，落后 Claude Opus 4.6 (Max) 的 40.0；仓库级代码生成 NL2Repo-Bench 48.1，落后 DeepSeek-V4-Flash 的 54.2。
这些数字背后有几处官方自己披露的方法论取舍：DeepSWE 1.1 取的是两个 harness（Claude Code 与 mini-SWE-agent）里的最高分；SWE-bench Pro 修正了部分题目并据此重评了所有基线；CoWorkBench 是内部基准；HLE 用 GPT-4o 而非基准默认 grader 评判。这些做法本身透明，但意味着分数不能与其他模型在原始基准上的报告值直接并排比较。
从 Qwen3-Next 到 Qwen4：一个自我复制的预览机制
理解这次发布的关键在 "Next" 这个后缀。官方博客写明，Qwen3-Next 引入的 GDN + Gated Attention 混合架构，后来被 Qwen3.5、Qwen3.6、Qwen3.7、Qwen3.8 全系采用。这一次，Flash-Next 用 QSA 替换了作为"检索"那一半的 Gated Attention，作为 Qwen4 的架构先导。也就是说，这不是一款孤立的模型，而是 Qwen 把尚未定型的下一代设计提前开源、接受社区检视的机制——上一轮这套做法最终被全系采纳，于是同一机制第二次运转。
许可证不是 Apache，商业使用有条件
与 Qwen3.8-27B 使用 Apache-2.0 不同，Qwen3.8-Flash-Next 采用 Qwen Community License 1.0。许可证正文允许自由使用、复制、修改、分发、托管和微调，但附加两条商业条件：商业产品或服务若月活超 1 亿或月营收超 2000 万美元，必须在用户界面显著展示模型名；若被用于 Model as a Service 或 AI 工作助手（AI Work Assistant）业务，则需在商用前单独向 Qwen 取得许可，仅限内部使用、不向第三方暴露能力的情况除外。
生产版本 Qwen3.8-Flash 通过 QwenCloud 提供，定价输入 $0.16、输出 $0.47 每百万 token，约为旗舰 Qwen3.8-Max（$2.00 / $6.00）的 1/12。官方强调的长上下文加速——QSA kernel 在 1M token 下 prefill 7.6×、decode 4.9×，90% 前缀缓存命中率时 prefill 吞吐是 Qwen3.7-Plus 的 8.6×——同样是厂商自报；SGLang 与 vLLM 的配方里还出现过 10.2× 与 6.6× 的另一组数字，在独立测量之前只能当作区间看待。
下一项可观察的变量是明确的：权重已经落盘，第三方能否复现 1/9 的训练成本、能否独立跑出这组基准分数，将决定 Qwen4 架构预览是"真省"还是"自报省"。