亮點概覽
阿里巴巴 Qwen 團隊於 8 月推出 Qwen3.8‑Flash‑Next，這是一款 多模態混合專家模型（Mixture‑of‑Experts, MoE），被定位為 Qwen4 的架構預覽。模型總參數高達 1250 億，但每個 token 只會激活 60 億，訓練成本僅為同等效能模型的約 1/9，在程式碼生成與辦公自動化等任務上表現尤為突出。
技術細節與創新
- N‑gram 嵌入層：新加入 510 億 參數的 N‑gram（詞組）嵌入層，將常見詞組作為獨立條目儲存在類似「片語字典」的結構中，可放在普通系統 RAM 而非 GPU，成本相對低廉。
- 上下文視窗：原生支援 262,144 token 的長上下文，透過 YaRN 技術可延伸至 100 萬 token，適合長文件或程式碼分析。
- 開源與部署：技術報告已放於 GitHub，模型權重可於 Hugging Face 與 ModelScope 下載；商業版以 Qwen3.8‑Flash 形式在 QwenCloud 上提供，輸入 token 價格 0.16 美元/百萬，輸出 0.47 美元/百萬。
性能與成本比較
阿里巴巴的內部基準測試顯示，Flash‑Next 在多項指標上超越 DeepSeek‑V4‑Flash（2840 億參數、130 億激活） 以及 Anthropic Claude Opus 4.6（Max），尤其在以下領域：
| 任務 | Flash‑Next 分數 | 競品分數 | |------|----------------|----------| | DeepSWE（程式碼除錯） | 58.7 | 低於 DeepSeek‑V4‑Flash | | SWE‑bench Pro | 62.5 | 同上 | | CoWorkBench（辦公） | 73.9 | DeepSeek‑V4‑Flash 45.1 | | JobBench（專業工作流） | 55.7 | Qwen3.7‑Plus 27.6 | | GPQA Diamond（科學推理） | 91.7 | 與競爭模型相近 | | LiveCodeBench v6（競賽程式） | 91.9 | 與競爭模型相近 |
唯一在 Humanity's Last Exam（跨領域高難度測驗）上領先的是較舊的 Claude Opus 4.6。整體而言，Flash‑Next 以 約 1/12 的價格提供接近旗艦模型 Qwen3.8‑Max 的效能，顯示出「高效能 + 低成本」的明顯優勢。
市場與未來展望
Flash‑Next 的低成本高效能組合，對 OpenAI、Anthropic 以及 Google Gemini 等大型模型供應商形成明顯壓力。若能持續優化 MoE 路徑選擇與 N‑gram 嵌入的存取效率，未來有望在 AI 代理（agentic）、程式碼自動化 以及 長文檔理解 等場景取得更廣泛商業落地。對於具備相應硬體的開發者而言，Qwen3.8‑27B 已可在本地部署，提供「幾乎零成本」的高品質推理體驗，預示著大型語言模型正向「高效能、低門檻」的方向演進。
讀者提示：若您正評估企業級 AI 解決方案，建議先行試用 QwenCloud 的計價模型，對比實際 token 消耗與效能，再決定是否採用 Flash‑Next 作為長期部署的核心模型。