阿里通义千问团队推出了 Qwen3.8‑Flash，一款基于下一代 Qwen4 架构的多模态 MoE（混合专家）模型。该模型主体参数为125B（约1250亿），外加51B的 N-gram Embedding，总体设计使得每个 token 仅需激活约6B 参数。官方把它作为 Qwen4 架构的技术预览，便于开发者提前适配新特性。

在架构上，Qwen3.8‑Flash 在四个方面做了系统性升级： - Attention：采用 GDN（Gated DeltaNet）与 QSA（Qwen Sparse Attention）混合方案。GDN 用于高效压缩历史信息，QSA 通过轻量级 Indexer 在微块粒度筛选重要上下文，显著降低长序列 Attention 的计算开销。面对百万级 token 的超长上下文，QSA 的 Attention Kernel 在预填（Prefill）和解码（Decode）阶段分别实现了最高约 7.6 倍和 4.9 倍的加速。 - 残差机制：引入 Gated Residual（GR），将残差流扩展为四条并行分支，并以动态门控控制信息的读写。残差状态支持以 FP8 格式存储，显著减少访存成本。 - Embedding：增加了 51B 参数的 N-gram Embedding，通过局部上下文查表提升模型容量。这部分参数可卸载到主机内存，并通过异步预取与计算重叠，避免长期占用 GPU 显存。 - 优化器与训练策略：采用 Muon Optimizer，并在正交化精度、参数分工与融合矩阵拆分等方面做了针对性优化，同时基于新架构重新拟合了 Scaling Law。

在性能与成本上，相比此前的 Qwen3.7‑Plus，Qwen3.8‑Flash 的训练成本约为其九分之一，但在代码和办公类任务上能力更强。在仅激活 6B 参数的配置下，Qwen3.8‑Flash‑Next‑Base 在 14 个基准测试中有 8 项取得了最优成绩，覆盖包括 MMLU‑Pro、SuperGPQA、BBH、SWEBench‑Pretrain、MGSM 和 MMMU 等测试集。 龙8头号玩家

可用性方面，Qwen3.8‑Flash 即将接入千问 AI 平台并对外开放 API，定价为每百万 Tokens 输入 1 元、输出 3 元。模型权重已在公开社区平台开源，同时发布了 FP8 量化版本。Qwen3.8‑Flash‑Next 默认支持 1M 上下文并内置官方工具，方便开发者使用与适配。