Qwen3.8-Flash-Next API 评测 2026：125B MoE + GDN/QSA 混合注意力

2026-08-26，阿里巴巴发布 Qwen3.8-Flash-Next——一个开放权重、125B 总参数的 Mixture-of-Experts 模型，每个 token 只激活 6B 参数，是首个在同一混合栈中组合 Gated DeltaNet (GDN) 与 Qwen Sparse Attention (QSA) 的 Qwen 模型。Hugging Face config.json 将架构类声明为 Qwen4ExpForConditionalGeneration，GitHub README 明确把它描述为「Qwen4 将使用架构的早期预览」。同日上线的是 Qwen3.8-Flash——OpenRouter 列出的仅托管生产版本，$0.15/M 输入 + $0.47/M 输出。本评测覆盖已核实的架构、训练成本声明（「约 1/9」于 Qwen3.7-Plus）、qwen-community-1.0 协议、各版本的访问入口，以及 Flash-Next 在 Qwen3.8-Max（2.4T 旗舰）和 Qwen3.7-Plus 之间，长上下文工作负载中的定位。

Qwen3.8 系列一览（2026-08-26）

命名约定可能误导：「Flash-Next」是 Flash 的开放权重实验兄弟，不是后继。「Next」后缀表明这是一个预览 Qwen4 将用架构的研究线。无后缀的「Flash」是托管、即用、面向现有 Qwen API 表面的生产版本。

架构：GDN + QSA 混合注意力

头条创新是注意力栈。Qwen3-Next-80B-A3B-Instruct（前一条实验线）用的是 Gated Attention（带可学习 value 门的窗口化全注意力）和标准全注意力的混合。Qwen3.8-Flash-Next 把 Gated Attention 替换为 Gated DeltaNet (GDN)——一种对序列长度 O(n) 的线性注意力块，以牺牲部分精度为代价；搭配 Qwen Sparse Attention (QSA)——只在选定 token 位置运行的窗口化/稀疏全注意力块。从 Hugging Face 的 config.json 已核实：

• 48 个总层，组织为 12 个宏块，每块 4 层
• 每宏块为 3× (GDN → MoE) 后接 1× (QSA → MoE)
• MoE：每层 512 个专家（每个 token 激活 10 路由 + 1 共享）
• 其它组件：Gated Residual 连接、N-gram 嵌入（51B 额外参数，用于 next-token 感知嵌入）、Multi-Token Prediction（4B 额外）、Muon + AdamW 优化器

这与 API 成本的关系：线性注意力（GDN）在序列长度上是 O(n)，密集注意力是 O(n²)。每 4 层中有 3 层是线性的，长上下文中占主导的费用就坍缩下来。QSA 这个稀疏全注意力块只在每 4 层跑一次，阿里把它定位为精度恢复步骤，捕捉纯线性注意力会丢召回的场景。结果，按 README 中阿里的声明，训练成本仅是 Qwen3.7-Plus 的「约 1/9」，能力却相当。

已核实事实（截至 2026-08-28）

为什么 Qwen4 预览对 API 用户重要

开放权重的预览发布在这个品类里很少见。大部分实验室先发论文、再发 API、几个月后才发权重。阿里第一天就把 config.json 中的 model_type: qwen4_exp 一起发了——这本身是一个强烈信号：该架构会登陆 Qwen4 生产。对 API 用户来说，这意味着三件事：

1. 蒸馏目标稳定。需要在 Flash-Next 输出上微调一个更小 Qwen3.5 / Qwen3.7 模型的团队可以做，等 Qwen4 上线时这条流水线直接续上。在 125B MoE 上做微调不便宜，但 Qwen3.5-7B-Instruct 或 Qwen3.5-14B-Instruct 从 Flash-Next 输出蒸馏是可行的。
2. 线性注意力经济性先行到达。如果 GDN+QSA 栈在 Qwen4 生产里站住脚，长上下文 API 经济性就会改善。Flash-Next 是金丝雀——只要长上下文召回在 benchmark 上撑住，同一套注意力布局就会以旗舰价位登陆 Qwen4 闭源权重。
3. 托管定价页是今天的生产入口。如果你不需要开放权重，Flash（非 Next）以 $0.15/M 输入 + $0.47/M 输出 是入口——同架构、多模态（文本 + 图片 + 视频 → 文本）、默认 1M 上下文、无需自部署。

OpenAI 兼容接入（DashScope）

托管面是 OpenAI 兼容的 DashScope 端点。Flash 生产版本在 DashScope 和 OpenRouter 上的模型 ID 是 qwen3.8-flash；截至 2026-08-28，Flash-Next 两个面都没有。

from openai import OpenAI

client = OpenAI(
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key="YOUR_DASHSCOPE_API_KEY",
)

response = client.chat.completions.create(
    model="qwen3.8-flash",
    messages=[
        {"role": "system", "content": "你是一名严谨的金融分析师。"},
        {"role": "user", "content": "总结这段 10-K 摘录中的 2026 Q2 风险因素。"},
    ],
    max_tokens=800,
    temperature=0.2,
)
print(response.choices[0].message.content)

多模态调用（图片或视频 URL → 文本）时，把 content 作为 parts 数组传入。长上下文调用时，max_tokens 设宽裕一些——Flash 生产版本默认 1M 上下文，但输出 token 仍按每 1M 输出价计费。

自部署 Flash-Next（开放权重）

HF 仓库是 Qwen/Qwen3.8-Flash-Next。125B MoE 加上 51B N-gram 嵌入和 4B MTP，总参数约 180B；fp16 下磁盘占用约 360 GB，把 N-gram 嵌入留在 fp8 后实际加载 220-260 GB。生产托管意味着 4×H100 或 4×A100-80GB 节点；研究用托管一台 8×H100 即可。vLLM 0.6+ 或 SGLang 都支持 Qwen4ExpForConditionalGeneration 架构类。

# vLLM serve 示例（以 HF 仓库 README 当前 flag 为准）
python -m vllm.entrypoints.openai.api_server \
  --model Qwen/Qwen3.8-Flash-Next \
  --tensor-parallel-size 4 \
  --max-model-len 262144 \
  --enable-prefix-caching \
  --port 8000

qwen-community-1.0 协议允许带署名的商用；部署前请查看仓库 LICENSE 文件了解完整使用范围边界。Qwen3.5 Apache-2.0 的部分宽松条款（无限制微调、带修改再分发）在 qwen-community-1.0 下受到限制，因此上线前做一次法务复核是值得的。

价格对比（已核实 2026-08-28）

托管 Flash 的输入价大约是 Qwen3.5-Plus 的 1/1.87、Qwen3.8-Max 的 1/7.3。1M 上下文默认值是从 Plus 切到 Flash 的最强单一理由。

何时选 Flash-Next vs Flash vs Plus

要 1M 上下文 + 最低单价 + 不需要检查或微调权重：选 Qwen3.8-Flash（托管）。OpenRouter 的 qwen/qwen3.8-flash 直接配 OpenAI Python SDK；DashScope 原生支持多模态。

要 权重本身：选 Qwen3.8-Flash-Next（开放）——蒸馏流水线、自有数据微调、数据驻留合规的本地部署，或研究 GDN+QSA 架构。生产推理预算 4×H100，部署前评估 qwen-community-1.0 协议条款。

要 单轮质量优先：选 Qwen3.8-Max。2.4T 旗舰在硬推理和代码生成 benchmark 上仍领先；Flash 定位不同。

要 Apache 2.0 协议：选 Qwen3.5-Plus。价格略高于 Flash，但避免 qwen-community-1.0 的协议摩擦。Apache 2.0 是当前 Qwen 系列最宽松的协议。

限制与风险

1. 截至 2026-08-28 无 Flash-Next 公开定价。自部署是当前唯一有可核实经济性的路径，对任何第三方报价保持警惕。
2. 协议是 qwen-community-1.0，不是 Apache 2.0。多数 Qwen3.5 权重用的 Apache 2.0 不适用于 Flash-Next。商用部署前请阅读 HF 仓库 LICENSE 文件。
3. OpenRouter 不列 Flash-Next。只有 Flash（托管）上了 OpenRouter。如果你的栈只走 OpenRouter，会路由到 qwen/qwen3.8-flash，不是开放权重版本。
4. 自部署成本不小。180B 参数 fp16 = 至少 360 GB 显存；生产服务建议 4×H100 或 4×A100-80GB。
5. 长上下文扩展走 YaRN。原生 256K 是阿里完整验证过的；1M 扩展是 YaRN 风格，公开文档里 benchmark 不如原生版深。
6. 多模态在托管 Flash 上，不在开放 Flash-Next 上。需要图片或视频 → 文本的话，走 DashScope 或 OpenRouter，不要走自部署权重。

结论

Qwen3.8-Flash-Next 是一个可信的、开放权重的预览——预览阿里将在 Qwen4 中发布的架构。GDN+QSA 混合是 Qwen3-Next Gated Attention 之上的实质进步：线性块主导长上下文，稀疏全注意力块每 4 层恢复精度，README 中已核实的「比 Qwen3.7-Plus 训练成本 1/9」声明正是那种效率数学——如果它在生产里站住脚，将重塑 2026 下半年的长上下文 API 经济性。

对 API 用户来说，决策树很短。要今天的廉价长上下文，Qwen3.8-Flash（托管）以 $0.15/$0.47 在 DashScope 或 OpenRouter 上是入口——多模态、1M 上下文、OpenAI 兼容。要权重用于蒸馏、微调或本地部署，Qwen3.8-Flash-Next 在 Hugging Face 上是唯一开放选项，预算 4×H100 自部署和 qwen-community-1.0 协议条款。

旗舰 Qwen3.8-Max 在硬推理 benchmark 上仍以 7× 的输入价胜出；Qwen3.5-Plus 的 Apache-2.0 线在协议摩擦比价格更重要时是合适选择。

如果要把 Qwen3.8-Flash 跟 OpenAI、Anthropic、Groq 一起路由到同一个 OpenAI 兼容密钥并做跨区故障切换，FreeModel 是最简单的衔接：一个仪表盘、一份账单关系、没有胶水代码的路由控制。

参考资料

• Qwen，Qwen3.8-Flash-Next 模型卡（HF）
• Qwen，Qwen3.8-Flash-Next config.json（HF）
• Qwen，Qwen3.8-Flash-Next GitHub README（1/9 训练成本声明、News 段）
• 阿里云，Qwen3.8-Flash 产品页（QwenCloud 定价）
• OpenRouter，qwen/qwen3.8-flash 模型页
• OpenRouter，/api/v1/models 列表（已核实 Flash-Next 不在其中）
• Qwen，Qwen3.8-Flash-Next 官方博客