Qwen3.8-Flash – 阿里通义推出的多模态 MoE 模型

1. Qwen3.8-Flash是什么

Qwen3.8-Flash 是阿里云通义千问推出的多模态 MoE 模型，总参数量 125B，每 token 仅激活 6B，原生支持 262K 上下文。模型采用 GDN+QSA 混合注意力、门控残差、N-gram 嵌入及 Muon 优化器四大架构创新，训练成本仅为 Qwen3.7-Plus 的 1/9，在编码和办公任务上能力更强。该模型面向长上下文处理、代码智能体、办公自动化与多模态理解等场景，提供开源权重与低成本 API 两种使用方式，兼顾性能与工程落地效率。

技术定位与领域： 属于多模态大语言模型领域，采用 Mixture-of-Experts（MoE）稀疏激活架构，在保持旗舰级性能的同时大幅降低单次推理的算力开销。其定位介于通用基础模型与垂直任务模型之间，重点覆盖代码生成、软件工程、长程办公及多模态智能体交互等生产级应用方向，是通义千问在高效推理与复杂任务执行交叉点上的重要布局。

研发背景： 由阿里云通义千问团队研发，依托通义系列模型在中文与多语言场景的长期积累。团队在 MoE 架构、长上下文建模和多模态对齐方面具备深厚技术储备，此次推出的 Qwen3.8-Flash 在架构层面进行了多项前瞻性设计，官方将其定位为 Qwen4 系列架构的提前验证版本，体现了通义团队在下一代模型技术路线上的探索意图。

核心价值： 解决了大模型在长序列处理、智能体任务执行与部署成本之间的平衡难题。通过每 token 仅激活 6B 参数的稀疏设计，将推理开销控制在较低水平；原生 262K 上下文配合可扩展至 1M 的能力，使整本技术手册、大型代码库的端到端分析成为可能。API 定价输入 1 元/百万 tokens、输出 3 元/百万 tokens，显著降低了企业级应用的门槛。

技术特点： 四大架构创新构成其差异化能力——GDN+QSA 混合注意力在 1M 上下文下实现 8.6 倍 Prefill 吞吐提升；门控残差通过四条并行分支与动态门控抑制激活异常值并支持 FP8 存储；51B 参数的 N-gram 嵌入层可卸载至 Host Memory，几乎不增加 token 级计算量；Muon 优化器重新拟合 Scaling Law，支持更大学习率与批次，取消无效的 Batch Size Warmup 策略。

2. 主要功能

• 超长上下文处理： 原生支持 262K tokens 上下文窗口，可扩展至 1M tokens，能够对整本技术手册、法律合同或大型代码库进行一次性深度理解与问答。在 1M 上下文下 Prefill 吞吐达到前代的 8.6 倍，长序列处理兼顾速度与精度，无需分段即可完成全局性分析任务。

• 代码智能体（Agentic Coding）： 支持端到端软件工程任务，覆盖需求分析、代码生成、Bug 修复、单元测试编写及多语言项目维护。在 DeepSWE 1.1 基准上取得 58.7 分、SWE-bench Pro 上取得 62.5 分，具备处理生产级复杂开发任务的能力。

• 办公自动化： 可执行长程办公流程与专业工作任务，集成工具调用能力，实现跨平台任务闭环。在 CoWorkBench 长程办公基准上取得 73.9 分、JobBench 专业工作基准上取得 55.7 分，能够自动整理会议纪要、批量处理报表、撰写并排版商业文档。

• 多模态理解： 支持长视频理解、科学图表分析、视觉数学问题求解及现实世界场景解析。在 LVBench 长视频理解基准上取得 76.6 分、MathVision 视觉数学基准上取得 95.7 分、CharXiv 科学图表分析基准上取得 90.6 分，覆盖 STEM 领域的深度内容理解需求。

• 设备与界面操控： 通过视觉感知与推理能力操控网页、Android 设备及桌面操作系统。在 AndroidWorld 移动操控基准上取得 84.5 分、OSWorld 2.0 计算机使用基准上取得 52.3 分、Vision2Web 视觉网页开发基准上取得 64.0 分，支持自动完成 App 测试、文件管理等跨设备任务。

• 推理与问答： 覆盖科学推理、竞技编程、指令遵循与多学科综合推理。在 GPQA Diamond 科学推理基准上取得 91.7 分、LiveCodeBench 竞技编程基准上取得 91.9 分、IFBench 指令遵循基准上取得 81.3 分，展现出在多学科复杂问题上的综合推理能力。

3. 如何使用

1. 环境要求与前置条件： 部署环境需配备支持 FP8 计算的 GPU，由于模型总参数为 125B 且包含 51B 参数的 N-gram 嵌入层，建议优先采用多卡集群或具备充足 Host Memory 的服务器。N-gram 嵌入层支持卸载至 Host Memory 并通过异步预取与计算重叠，可有效降低显存占用，具体显存需求取决于上下文长度与并发规模，建议参考官方仓库的部署文档进行配置。

2. 开源权重部署： 从 Hugging Face 下载 Qwen3.8-Flash-Next 权重，在本地或云端环境进行推理部署。GR（门控残差）机制支持 FP8 存储，可显著降低访存开销；部署时需根据实际硬件配置调整并行策略与批次大小，以获得最优的推理吞吐与延迟表现。

3. API 服务调用： 通过千问AI平台调用官方 API，输入价格 1 元/百万 tokens、输出价格 3 元/百万 tokens。API 方式无需自行管理底层基础设施，适合快速集成到现有业务系统中；开发者可通过标准 RESTful 接口完成调用，并依据业务需求灵活调整上下文长度与多模态输入。

4. 千问办公使用： 在“千问办公”产品中直接体验模型能力，适用于长文档处理、代码生成与办公自动化任务。该入口面向非技术用户，无需编写代码即可使用超长上下文分析、办公流程自动化等核心功能，适合企业办公场景的快速验证与日常使用。

5. 查阅技术报告与深度定制： 访问 GitHub 仓库获取技术报告，了解 GDN+QSA 混合注意力、门控残差、N-gram 嵌入及 Muon 优化器的架构细节与训练方法。对于有深度定制需求的团队，可基于技术报告中的 Scaling Law 分析与训练策略，在开源权重基础上进行领域微调或架构改进。

4. 优缺点分析

5. 同类工具对比

在代码智能体与软件工程场景中，Qwen3.8-Flash-Next 在 DeepSWE 1.1、SWE-bench Pro 等核心基准上均领先于 DeepSeek-V4-Flash 与 Claude-Opus-4.6，且长程办公能力（CoWorkBench 73.9 分）优势明显，适合作为企业级开发与自动化任务的主力模型。对于多模态操控与长视频理解需求，Qwen3.8-Flash-Next 的 AndroidWorld 与 LVBench 成绩同样领先，而 Claude-Opus-4.6 在科学推理上接近但办公与操控能力落后。

在通用推理能力方面，三者差距较小——GPQA Diamond 均在 91 分上下，LiveCodeBench 也处于同一梯队。选择时需结合实际场景：若侧重成本控制与长上下文处理，Qwen3.8-Flash-Next 的 6B 激活参数与 1 元/百万 tokens 输入定价具备显著优势；若已有 Claude 生态依赖或需要其特定安全特性，可继续采用 Claude-Opus-4.6；DeepSeek-V4-Flash 在参数量与激活参数上高于 Qwen3.8-Flash-Next，但在多项任务基准上落后，其适用场景需进一步评估。

6. 编辑总结

Qwen3.8-Flash 在架构创新层面展现了明确的技术前瞻性。GDN+QSA 混合注意力机制将 Gated DeltaNet 的高效记忆能力与 Qwen Sparse Attention 的精准查找能力相结合，在每四层中安排三层 GDN 与一层 QSA，这种设计在长序列建模中兼顾了计算效率与信息召回质量。门控残差将传统单一残差流扩展为四条并行分支，通过动态门控控制信息读写比例，既保留了长距离信息通道，又抑制了激活异常值，同时支持 FP8 存储——这一设计直接回应了大模型训练与推理中的显存瓶颈问题。N-gram 嵌入层以 51B 参数捕捉短语搭配模式，但通过 Host Memory 卸载与异步预取实现近零计算量增加，体现了工程实现上的精巧考量。

从实用价值来看，训练成本仅为 Qwen3.7-Plus 的 1/9 这一数据具有产业意义，它意味着旗舰级模型能力的获取成本被大幅压缩。API 定价输入 1 元/百万 tokens 的定位，使中小团队也有机会将高性能多模态模型集成到实际业务中。在 DeepSWE 1.1、SWE-bench Pro、CoWorkBench 等基准上的领先表现，说明其在真实生产场景中的任务完成能力已经过系统性验证。

该模型适合三类人群：一是需要处理超长文档与大型代码库的研发团队，二是希望以低成本构建办公自动化与智能体应用的企业开发者，三是关注下一代大模型架构演进方向的研究人员。作为 Qwen4 系列架构的提前验证版本，Qwen3.8-Flash 在混合注意力、门控残差与优化器设计上的探索，为后续模型的发展提供了可参考的技术路径。其开源权重与技术报告的同步发布，也为社区深入理解和二次开发创造了条件。

7. 应用场景

• 超长文档与知识库智能分析： 利用 1M tokens 超长上下文能力，对整本技术手册、法律合同或大型代码库进行一次性深度理解与问答。无需分段处理即可完成全局性信息提取、关联分析与结论生成，适合科研文献综述、法律文书审查与企业知识库构建。

• 端到端软件开发与代码维护： 作为代码智能体完成需求分析、代码生成、Bug 修复、单元测试编写及多语言项目维护。在 SWE-bench Pro 62.5 分的表现支持下，可覆盖从功能开发到代码评审的完整研发流程，提升团队交付效率。

• 企业办公流程自动化： 执行跨平台长程办公任务，包括自动整理会议纪要、批量处理 Excel 报表、撰写并排版商业文档。集成工具调用能力实现端到端闭环，在 CoWorkBench 73.9 分的基准表现下，可显著减少重复性人工操作。

• 多模态内容理解与教育辅导： 解析长视频课程、科学论文图表、视觉数学题目，提供步骤化讲解与答案验证。MathVision 95.7 分、CharXiv 90.6 分的成绩使其能够胜任 STEM 领域的深度教学辅助与学术研究支持。

• 跨设备智能体操控： 通过视觉感知与推理能力，自动操控 Android 手机完成 App 测试、在桌面操作系统中执行文件管理，或根据设计稿自动生成可部署的网页前端。AndroidWorld 84.5 分与 Vision2Web 64.0 分的表现，适用于移动端自动化测试与前端开发提效场景。

8. 常见问题FAQ

Q：Qwen3.8-Flash 与 Qwen3.7-Plus 的核心区别是什么？
A：两者在架构设计与应用定位上有显著差异。Qwen3.8-Flash 采用 GDN+QSA 混合注意力、门控残差、N-gram 嵌入与 Muon 优化器四大架构创新，训练成本仅为 Qwen3.7-Plus 的 1/9；在编码与办公任务上的能力更强，同时原生支持 262K 上下文并可扩展至 1M。

Q：为什么训练成本能降低到 Qwen3.7-Plus 的 1/9？
A：主要得益于架构层面的系统性优化。GDN+QSA 混合注意力降低了长序列场景下的计算量；门控残差支持 FP8 存储，减少访存开销；N-gram 嵌入层卸载至 Host Memory，几乎不增加 token 级计算量；Muon 优化器重新拟合 Scaling Law 后支持更大学习率与批次，取消了无效的 Batch Size Warmup 策略，综合提升了训练效率。

Q：本地部署需要什么样的硬件配置？
A：模型总参数为 125B，每 token 仅激活 6B，GR 机制支持 FP8 存储，N-gram 嵌入层可卸载至 Host Memory，因此显存占用相对可控。具体配置取决于上下文长度与并发规模，建议使用支持 FP8 计算的 GPU 并配备充足的 Host Memory，详细要求可参考官方仓库的部署文档。

Q：N-gram 嵌入层的作用是什么？它会影响推理速度吗？
A：N-gram 嵌入层包含 51B 参数，在常规词嵌入之外结合局部上下文查表捕捉短语搭配模式。该层可卸载至 Host Memory 并通过异步预取与计算重叠，因此几乎不增加 token 级计算量，推理速度基本不受影响。

Q：API 如何收费？适合什么规模的使用？
A：API 定价为输入 1 元/百万 tokens、输出 3 元/百万 tokens。该定价在旗舰级多模态模型中处于较低水平，适合从原型验证到大规模生产调用的各类场景，尤其适合对长上下文处理有高频需求的业务。

Q：模型是否完全开源？可以商用吗？
A：Flash-Next 权重已在 Hugging Face 开源，技术报告可在 GitHub 仓库获取。开源权重支持本地或云端部署，具体商用条款需参考官方发布的许可证说明，建议在商用前查阅官方仓库中的授权文件。

9. 项目地址

1. 项目官网： https://qwen.ai/blog?id=qwen3.8-flash-next
2. GitHub 仓库： https://github.com/QwenLM/Qwen3.8-Flash-Next
3. 技术论文： https://github.com/QwenLM/Qwen3.8-Flash-Next/blob/main/tech_report.pdf
4. Hugging Face 模型库： https://huggingface.co/Qwen/Qwen3.8-Flash-Next