Qwen 团队发布了 Qwen3.8-Flash-Next，这是一款开放权重的多模态混合专家模型，作为即将推出的 Qwen4 系列的早期架构预览。该模型在保持较强容量的同时具备出色的成本效率，拥有 1250 亿个总参数和额外 510 亿个 N-gram embedding 参数，而每个 token 仅激活 60 亿个参数。

此次发布延续了 Qwen3-Next 的先例；后者引入了混合架构设计，并随后被 Qwen3.5 到 Qwen3.8 系列采用。Qwen3.8-Flash-Next 将通过 QwenCloud API 提供，定价为每百万输入 token 0.16 美元、每百万输出 token 0.47 美元，使其在高吞吐任务与 token 成本都需要关注的场景中具有竞争力，包括编程助手和企业智能体工作流。

基准结果显示，该模型在软件工程和自主智能体任务上表现强劲。它在 DeepSWE 1.1 上取得 58.7%，在 SWE-bench Pro 上取得 62.5%，在多语言版本上取得 81.0%。在 CoWorkBench 衡量的长周期办公自动化任务中，其得分为 73.9%，超过了 Qwen3.7-Plus 和 Claude-Opus-4.6。

其通用推理能力同样较强，在 GPQA Diamond 上得分 91.7%，在 LiveCodeBench v6 上得分 91.9%。多模态能力也同样稳健，其中 AndroidWorld 得分 84.5%，用于长视频理解的 LVBench 得分为 76.6%。原生上下文长度达到 262,144 个 token，并可通过 YaRN 扩展至 100 万个 token，这使其与需要更大上下文窗口的长文档和多步骤工作流相关。

Meet Qwen3.8-Flash, a multimodal MoE and an early preview of the Qwen4 architecture, now open-weight! The production version Qwen3.8-Flash will be available soon via QwenCloud API at just $0.16/1M input tokens and $0.47/1M output tokens. 125B parameters + 51B N-gram… pic.twitter.com/SScnmzWS7O — Qwen (@Alibaba_Qwen) August 26, 2026

架构创新与开发者集成

该架构引入了四项系统级升级。在注意力机制方面，模型将 Gated DeltaNet 与 Qwen Sparse Attention 结合，通过微块索引而非逐 token 处理，高效压缩历史上下文并检索相关信息。根据发布信息，这一设计在 100 万 token 场景下可实现最高 7.6 倍的 prefill 加速。

Gated Residual 机制将残差流扩展为四条并行分支，并通过动态门控提升跨层信息流动和训练稳定性，同时支持 FP8 存储以减少内存流量。N-gram Embedding 通过本地上下文检索增加容量，所需计算量很低，并可从主机内存异步预取。训练采用 Muon 优化器，并结合改进的正交化和参数拆分策略，使其能够在更大 batch size 下稳定收敛，而无需传统的 warmup 过程。

模型权重已在 HuggingFace 和 ModelScope 上提供，API 访问可通过 QwenCloud 完成，并支持与 OpenAI 兼容的 Chat Completions 和与 Anthropic 兼容的协议。开发者可通过 Claude Code、OpenAI Codex、Qoder CLI、Qwen Code 和 OpenClaw 将模型集成到现有工作流中，推理强度可配置为 low、medium 和 xhigh 级别。官方生产版本预计将很快推出，内置工具和默认 100 万 token 上下文。