阿里开源 Qwen3.8-Flash-Next：125B/6B激活，训练成本降低了90%

阿里千问于2026年8月26日开源的Qwen3.8-Flash-Next，是Qwen4系列的架构预览原型，核心实现了125B总参数、每Token仅激活6B的极致效率，训练成本较前代Qwen3.7-Plus降低近90%，相关权重已在Hugging Face、魔搭社区同步开放。

阿里千问刚开源的 Qwen3.8-Flash-Next，是Qwen4系列正式发布前的架构预览原型，Flash系列向来以"高性价比"著称，是本地部署与生产环境的热门选择。

它最核心的突破，是用“125B总参数、每Token仅激活6B”的设计，把大模型的训练成本直接砍掉了90%，相关权重已经在Hugging Face和魔搭社区同步开放，不管是个人开发者还是中小团队，都能以极低门槛上手部署。

一、主要参数

1. 总参数配置‌：

Transformer主模型总参数125B，额外搭配了51B的N-gram Embedding外挂记忆库，但真正每生成一个Token，只需要激活6B参数完成核心计算，相当于用一个6B小模型的算力开销，撬动了百亿级大模型的能力。

2. 上下文能力‌

原生支持26万Token的长上下文窗口，靠YaRN技术还能扩展到100万Token，相当于一次性能装下一整本长篇小说，不用反复分段上传。

3. 开源版本‌

开源版本同时放出了基础版和Unsloth量化的FP8版本，把模型的残差流都改成FP8格式存储，进一步降低显存占用，普通消费级显卡也能尝试本地部署

4. 参数规格表

参数	规格
总参数	125B
N-gram Embedding	额外51B
激活参数/token	6B
架构	下一代Qwen4（Next MoE）
上下文	原生262K，YaRN扩展至1M
训练成本	较Qwen3.7-Plus降近90%
性能	在Qwen团队基准测试中绝大多数超过DeepSeek-V4-Flash正式版
输入价格	1元/百万Token（约0.14美元）
输出价格	3元/百万Token（约0.42美元）
价格相对DeepSeek V4-Flash	输入与输出均低33.33%
协议	兼容OpenAI Chat Completions/Responses、Anthropic API
首发上线	"千问办公"，API即将上线千问AI平台

二、技术创新

1. 混合注意力机制重构‌

传统大模型处理长文本时，每生成一个新Token都要把之前所有内容重新过一遍，内容越长速度越慢。这个新架构先用GDN（Gated DeltaNet）门控增量网络完成历史信息的轻量化压缩，再通过Qwen稀疏注意力（QSA：Qwen Sparse Attention）仅筛选当前计算所需的关键内容，100万Token的场景下，推理效率较传统稠密模型提升8倍，彻底解决了长文本场景下算力随长度线性膨胀的痛点。

2. 门控残差替代传统残差流‌

不让早期信息“跑着跑着就丢了**”传统Transformer模型只有一条信息传输通道，内容传到深层时，最开头的信息很容易被稀释。它把单条通道扩展成4条并行分支，通过动态门控完成信息的选择性读写，既避免了深层网络的早期信息稀释，也在不增加计算量的前提下大幅提升了训练稳定性。

3. ‌分层存储的N-gram记忆库‌

51B规模的短语级N-gram Embedding层没有放在昂贵的GPU显存里，而是放在普通的系统RAM中，通过异步预取和计算重叠的方式加载，几乎不占用GPU的计算时间，相当于用以极低的硬件成本给模型加了一个短语级的查表记忆库，大幅提升了生成内容的流畅度和准确性。

4. Muon优化器的深度适配‌

针对新架构重新拟合Scaling Law，取消传统训练流程中的批次预热环节，支持更大学习率与更大批量训练，直接将训练吞吐量提升数倍，最终实现整体训练成本较前代Qwen3.7-Plus下降90%。

三、性能与定位

1. 核心评测领先‌

办公任务‌：Qwen3.8-Flash-Next在CoWorkBench基准得分73.9，远超Claude Opus 4.6的45.1分
‌编程任务‌：在SWE-bench Pro上得分61.7，领先Claude Opus4.6达9.1分
‌多模态智能体‌：在OSWorld-Verified桌面智能体评测中拿到84.3的高分，显著高于同级别其他开源模型

2. 成本优势落地‌

训练成本仅为前代Qwen3.7-Plus的1/9，对应推理API定价每百万输入Token 0.8元、输出2.7元，仅为Claude Opus4.6的3%左右

3. 定位价值‌

作为Qwen4架构的公开预览版，提前向社区开放完整框架，用于开发者适配、部署优化与应用探索，为后续正式版Qwen4积累真实场景反馈

4. 横向对比

模型	总参数规模	单Token激活参数	原生上下文	训练成本相对前代降幅
Qwen3.8-Flash-Next	125B + 51B N-gram Embedding	6B	262K	90%
DeepSeek V4 Flash	1.6T	约80B	512K	约60%
GLM-5.3-Flash	320B	18B	256K	约70%
Qwen3.6-27B	27B（稠密）	27B	262K	约30%

四、成本与定价

1. 训练成本‌

Qwen3.8-Flash-Next仅为前代Qwen3.7-Plus的1/9，较DeepSeek V4 Flash低约70%

2. API定价（单位：元/百万Tokens）‌

Qwen3.8-Flash-Next：输入1元、输出3元
DeepSeek V4 Flash：高峰时段输入3元、输出9元
GLM-5.3-Flash：半价时段输入0.4元、输出1.4元

3. ‌推理效率‌

1M长上下文场景下，Qwen3.8-Flash-Next推理速度较DeepSeek V4 Flash快8倍以上

五、应用场景

对企业IT：用Qwen3.8-Flash-Next替换部分DeepSeek V4-Flash调用，按月度Token消耗计算成本节省。
对推理基础设施：评估在自有GPU集群上部署125B MoE的可行性（128GB统一内存+MLX或llama.cpp + 专家卸载）。
试点流程：选2-3个高频代码生成/办公场景，配置Qwen3.8-Flash-Next作为默认模型，监控响应时间/准确率/成本三指标。

总结

"超大总参数-超小激活"路径被开源前沿模型首次跑通：125B/6B是当前开源MoE中激活率最低之一，证明"超稀疏"是可行的效率路线。
训练成本降90%：意味着同等算力预算下可训练的迭代次数提升10倍，是Scaling Law进入"推理成本主导"阶段的标志性数据。
与DeepSeek价格战白热化：继DeepSeek V4-Pro 8月17日提价350%后，Qwen3.8-Flash-Next以"价格更低33%"正面回击。