125B 模型只激活 6B，反超 Claude Opus 4.6：阿里把训练成本压到上一代的 1/9
配套媒体
本页对应的 PPT 与演示视频
下载没反应？点这里复制直链
侧边栏预览窗口（Electron webview）会拦截下载，把下面的链接复制到 Chrome / Edge 地址栏打开即可保存。
../../qwen38-flash-next-recommend.pptx../../qwen38-flash-next-recommend.mp4本文目录
- 一、钩子：6B 激活打败 200B+，是真的吗？
- 二、它凭什么做到？四个架构级手术
- 1. 注意力：GDN + QSA 混合（核心杀手锏）
- 2. 残差：Gated Residual（GR）
- 3. 嵌入：51B 的 N-gram Embedding
- 4. 优化器：Muon + AdamW 重构 + 免 Warmup
- 三、价格震撼：1 元/百万输入，1/40 的 Opus
- 四、它能干嘛？长上下文 + 多模态 agent
- 长上下文
- 多模态 agent
- 编程 & 办公基准（同组最佳）
- 五、Qwen4 的"架构试做机"
- 六、怎么用？一条命令本地跑
- 1. 官方 API（最简单）
- 2. 千问办公 QwenWork
- 3. 本地 / 自托管
- 4. 微调与 Agent
- 七、边界与定位：这是"预览"，不是终局
- 八、收尾：开放权重的"架构预览"意味着什么
- 配图位
125B 模型只激活 6B，反超 Claude Opus 4.6：阿里把训练成本压到上一代的 1/9
一句话结论：2026 年 8 月 26 日深夜，阿里 Qwen 团队把 Qwen4 的架构提前开源了——模型叫 Qwen3.8-Flash-Next，总参数 125B + N-gram 嵌入 51B，但每生成一个 token 只激活 6B，训练成本只要 Qwen3.7-Plus 的 1/9，价格直接打到 每百万输入 token 1 元人民币。一个 6B 激活的小身体，把 200B+ 的 Opus 4.6 打得找不着北。
一、钩子：6B 激活打败 200B+，是真的吗？
先把最反常识的事实摆桌面：
| 维度 | Qwen3.8-Flash-Next | Claude Opus 4.6 Max |
|---|---|---|
| 总参数 | 125B + 51B N-gram | 未公开（业内估算 >200B） |
| 每 token 激活 | 6B | 全部激活 |
| SWE-bench Pro（智能体编程） | 62.5 | 53.4 |
| JobBench（专业办公任务） | 55.7 | 36.6 |
| AndroidWorld（手机操作） | 84.5 | 62.0 |
| MathVision（视觉数学） | 90.6 / 95.7 | 65.5 / 70.6 |
数据来源：阿里 Qwen 官方博客（2026-08-26）+ Hugging Face 模型卡片（vendor-reported）
翻译成人话：一个只点亮 6B 参数的模型，在编程、智能体、办公三个核心场景上，领先 Claude Opus 4.6 至少 9 到 20 分。这件事放在两年前，等于有人用一台 1.5L 自吸发动机跑赢了 V8——而且更省油。
金句可截图：「前沿模型竞赛，从拼参数，转向改架构。」
二、它凭什么做到？四个架构级手术
Qwen 团队自己拆解得很清楚：这次升级不是堆数据、改 RLHF、也不是更大的模型，而是沿四个维度动了架构。
1. 注意力：GDN + QSA 混合（核心杀手锏）
传统 Transformer 的注意力是"每个 token 都要看前面所有 token"，序列越长，平方级膨胀。Qwen3.8-Flash-Next 用了一套双层分工：
- GDN（Gated DeltaNet）：把历史信息压成一个固定大小的状态，3/4 的层都靠它"高效压缩历史"。这玩意儿不是新东西——Qwen3-Next 就已经用上了，Qwen3.5 到 3.8 整个家族都受益。
- QSA（Qwen Sparse Attention）：新增。把序列切成"微块（micro-block）"，先用轻量索引器在块级别估算重要性，只对关键块做完整注意力。
效果：在 1M token 上下文里，QSA Attention Kernel 让 Prefill 加速 7.6 倍、Decode 加速 4.9 倍；90% 前缀缓存命中时，Prefill 吞吐达到上一代 Qwen3.7-Plus 的 8.6 倍。
2. 残差：Gated Residual（GR）
传统 Transformer 只有一条残差通道，所有信息挤在一起。GR 把它拓宽成 4 条并行分支，每条配一个数据相关的读写门——模型可以自己决定"这一层该不该读上一层的状态、该不该写下去"。
训练中自然涌现出一条"长程路径"：第一层的注意力能直接连到后面大多数层，跨层信息流比传统残差强得多。FP8 存储，激活异常值也被压住，训练稳定性直接拉满。
3. 嵌入：51B 的 N-gram Embedding
这是最有意思的设计。模型主参数是 125B，再外挂 51B 的 N-gram 嵌入表——但这 51B 不参与每 token 计算。它只在第 2 层做"查表"，找本地常见的 bigram / trigram 模式。
关键红利：这张大表可以卸载到主机内存，靠异步预取跟 GPU 计算重叠——等于用近乎零的成本，给模型外挂了一本"记忆手册"。N-gram 嵌入的存在，让 6B 激活也能装得下 176B 的知识量。
4. 优化器：Muon + AdamW 重构 + 免 Warmup
Muon 优化器用在注意力 / GDN / MoE 专家权重上，AdamW 留给嵌入 / Router / GR 的低秩部分。Qwen 团队重新拟合了缩放律，发现可以直接取消 Batch Size Warmup——传统做法是从小 batch 慢慢涨，他们上来就用满 batch，反而更稳、还省 18.8% 的优化器步数。
| 升级点 | 旧做法 | Qwen3.8-Flash-Next |
|---|---|---|
| 注意力 | 全 token 注意力 | GDN（3/4 层）+ QSA 微块稀疏（1/4 层） |
| 残差 | 1 条主干 | 4 条并行分支 + 动态门控读写 |
| 嵌入 | 单 token 嵌入 | 主 125B + N-gram 51B 卸载到主机 |
| 优化器 | AdamW + Warmup | Muon+AdamW 分工 + 免 Warmup |
三、价格震撼：1 元/百万输入，1/40 的 Opus
官方价格表（QwenCloud）：
| 模型 | 输入价（每百万 token） | 输出价（每百万 token） |
|---|---|---|
| Qwen3.8-Flash | $0.16（约 ¥1.15） | $0.47（约 ¥3.40） |
| Claude Opus 4.6 | $15 | $75 |
| DeepSeek-V4-Flash（峰值） | $0.45 | $1.40 |
注：阿里官方对外口径为「每百万输入 1 元人民币，输出 3 元人民币」，含限时折扣。
翻译：你给一个 6B 激活的模型花 1 块钱，能拿到接近 Opus 4.8 的能力。这不只是"便宜"——是把智能的单位成本重新定义了。
训练侧更狠：阿里宣称训练成本只有 Qwen3.7-Plus 的 1/9（即降 88.9%）。换算一下，Qwen3.7-Plus 是 397B 总参数 + 17B 激活，新模型是 125B + 51B + 6B 激活，参数总量压到三分之一，激活压到三分之一，训练算力压到九分之一。
四、它能干嘛？长上下文 + 多模态 agent
参数再漂亮，最终要落地。Qwen3.8-Flash-Next 不是一个"会写诗"的聊天玩具，它的官方定位是长上下文、多模态 agent 底座。
长上下文
- 原生支持：262,144 tokens（≈ 256K）
- YaRN 扩展：可达 1,000,000 tokens
- 真实场景加速：高缓存命中场景下，1M token Prefill 提速 8 倍以上
这意味着你可以把整个代码库（中型项目）、一本中文学术专著、几个月的工作邮件扔进去，让它做"全上下文推理"。
多模态 agent
不是只读文本，还能看图 + 操作界面：
| 评测 | 分数 | 说明 |
|---|---|---|
| AndroidWorld | 84.5 | 模拟手机操作，比 Opus 4.6 高 22.5 |
| OSWorld 2.0（Binary） | 19.4 | 真实桌面 GUI 操作 |
| MathVision（无 CI） | 90.6 | 视觉数学推理，比 Opus 4.6 高 25.1 |
| MathVision（有 CI） | 95.7 | 加 chain-of-images |
| RealWorldQA | 88.5 | 真实世界视觉问答 |
| CharXiv | 79.7 | 长文档视觉理解 |
翻译：这模型能直接看懂你的电脑屏幕、帮你点鼠标——不是 GPT-4o 那种"看图说话"，是真·多模态 agent。
编程 & 办公基准（同组最佳）
| 基准 | Qwen3.8-Flash-Next | Qwen3.8-27B | Qwen3.7-Plus | DeepSeek-V4-Flash | Claude Opus 4.6 Max |
|---|---|---|---|---|---|
| DeepSWE 1.1 | 58.7 | 42.2 | 16.5 | 54.4 | — |
| SWE-bench Pro | 62.5 | 61.7 | 55.8 | 56.0 | 53.4 |
| SWE-bench Multilingual | 81.0 | 73.8 | 75.8 | — | 77.5 |
| CoWorkBench（长程办公） | 73.9 | 70.7 | 65.1 | 45.1 | 68.2 |
| JobBench（专业任务） | 55.7 | 33.4 | 27.6 | 41.3 | 36.6 |
| Toolathlon Verified | 73.5 | 67.1 | 50.6 | 70.3 | — |
| LiveCodeBench v6 | 91.9 | 90.3 | 89.6 | 90.6 | 88.8 |
金句可截图：「一个 6B 激活的模型，拿了 7 个榜单第一。」
诚实标注：HLE 上 Qwen3.8-Flash-Next（35.9）确实没有超过 Claude 40.0；NL2Repo-Bench 上（48.1）也低于 DeepSeek-V4-Flash（54.2）。"全面领先"指的是在 coding / agent / 办公这三个主战场上拿下 best-in-class。
五、Qwen4 的"架构试做机"
这次发布的另一个关键信号：它是 Qwen4 的早期预览。
历史的剧本正在重演：
- Qwen3-Next 引入了 GDN + GA 混合设计 → 这套设计随后贯穿 Qwen3.5 / 3.6 / 3.7 / 3.8
- Qwen3.8-Flash-Next 引入了 GDN + QSA + GR + N-gram + Muon → 这套设计大概率会成为 Qwen4 全系的基础
也就是说：Qwen 团队把 Qwen4 的骨架提前开源了，让开发者在 Qwen4 全家桶落地前就能上车验证。
对开发者的意义：
- 现在就接 API：
qwen3.8-flash，兼容 OpenAI + Anthropic 协议，本地用 transformers serve / vLLM / SGLang 都能拉起来； - 现在就调模型：Unsloth / Swift / Llama-Factory 都支持 SFT / DPO / GRPO，等 Qwen4 来了直接迁；
- 现在就建 Agent 生态：Claude Code、Codex、Qoder CLI、Qwen Code、OpenClaw 都集成了，Agent 框架可以先在 Flash-Next 上跑通。
六、怎么用？一条命令本地跑
1. 官方 API（最简单）
# QwenCloud, OpenAI 协议兼容
curl https://www.qwencloud.com/v1/chat/completions \
-H "Authorization: Bearer $QWEN_API_KEY" \
-d '{"model": "qwen3.8-flash", "messages": [{"role": "user", "content": "你好"}]}'
2. 千问办公 QwenWork
阿里的一站式 AI 工作平台，新上线的 "Standard" 模式就由这个模型驱动，能扛 95% 的日常办公任务。
3. 本地 / 自托管
# transformers 直接拉起 OpenAI 兼容服务
transformers serve Qwen/Qwen3.8-Flash-Next --port 8000 --continuous-batching
# vLLM 高吞吐
vllm serve Qwen/Qwen3.8-Flash-Next --port 8000 \
--tensor-parallel-size 4 --max-model-len 262144 \
--reasoning-parser qwen3 --enable-auto-tool-choice \
--tool-call-parser qwen3_coder
# SGLang 低延迟
sglang serve --model-path Qwen/Qwen3.8-Flash-Next --port 8000 \
--tp-size 4 --context-length 262144 \
--reasoning-parser qwen3 --tool-call-parser qwen3_coder
部署引擎 SGLang / vLLM / TokenSpeed 都原生支持 262K 上下文 + Qwen3 推理/工具调用解析器；权重双发布在 Hugging Face Hub + ModelScope（国内推荐 ModelScope）。
4. 微调与 Agent
- 微调框架：Unsloth / Swift / Llama-Factory（SFT / DPO / GRPO）
- Agent 集成：Claude Code、Codex、Qoder CLI、Qwen Code、OpenClaw
七、边界与定位：这是"预览"，不是终局
清醒的边界同样重要：
- 它是 Qwen4 的架构预览，不是 Qwen4 本身。开放权重是为了让社区提前验证骨架，最终 Qwen4 全系会"建在这套架构之上"。
- 部分基准仍有对手领先：HLE 上 Qwen3.8-Flash-Next 35.9 < Claude 40.0；NL2Repo-Bench 上 48.1 < DeepSeek-V4-Flash 54.2。"1/9 成本"主要对比 Qwen3.7-Plus 的训练开销，跨厂商横向对比请以官方完整榜单为准。
- 许可证细节以权重附带文件为准——HF / ModelScope 上的 LICENSE 文件。
- 视觉语言数字来自官方博客，具体任务上的稳定性仍需社区实测。
八、收尾：开放权重的"架构预览"意味着什么
回到开头那句话——Qwen 把 Qwen4 的架构，提前开源了。
这件事的影响远超一个模型：
- 你可以现在就上车：用 qwen3.8-flash 的 API 或 SGLang/vLLM 本地部署，提前摸清新架构的手感；
- 你可以提前建生态：Agent 框架、微调流水线、长上下文应用，都能先在 Flash-Next 上跑通，等 Qwen4 全系到来时无缝迁移；
- 它印证了一个更大的趋势：前沿模型竞赛，正从"堆参数"转向"改架构 + 控成本"——谁能以 1/9 的成本打出更强的 agent 能力，谁就握住了下一个时代的门票。
最后一句话：2026 年 8 月 26 日深夜，开源社区收到了一个 125B 模型，里面装着一份"未来 12 个月的开源 LLM 教科书"。
配图位
{slug}-01-hero.png：标题 hero 大图——125B 总参数 vs 6B 激活的核心反差{slug}-02-architecture.png：四维架构升级（GDN+QSA / GR / N-gram / Muon）{slug}-03-benchmark.png：6 项核心基准 vs Opus 4.6 / DeepSeek-V4-Flash 的对比表{slug}-04-cost.png：训练成本 + 推理价格对比（1/9 + ¥1/M）{slug}-05-qwen4-roadmap.png：Qwen3-Next → Flash-Next → Qwen4 演进路线图
信源：
- Qwen 官方博客：https://qwen.ai/blog?id=qwen3.8-flash-next
- Hugging Face 模型卡片：https://huggingface.co/Qwen/Qwen3.8-Flash-Next
- GitHub README + tech_report.pdf：https://github.com/QwenLM/Qwen3.8-Flash-Next
- 腾讯新闻（2026-08-26）：https://news.qq.com/rain/a/20260826A0DZ6Q00
- Singularity.Kiwi（2026-08-27 解读）：https://singularity.kiwi/qwen-38-flash-next-6b-active-qwen4-preview-2026