Qwen3.8 Flash 发布：更快，也更省

阿里 Qwen 团队正式发布了 Qwen3.8-Flash-Next，并开放模型权重。

这次更新很值得关注。

原因不只是它更快、更便宜。

Qwen 官方明确表示，Qwen3.8-Flash-Next 也是 Qwen4 新架构的一次提前预览。它在 Attention、Residual、Embedding 和模型优化几个方向上都做了调整，目标很直接：用更少的计算成本完成更复杂的任务。

对普通用户来说，不需要理解每一个技术名词。

真正值得关注的是几个变化：

• 每个 Token 只激活约 6B 参数
• 支持最高约 100 万 Token 上下文
• 编程和 Agent Benchmark 表现明显提升
• 多模态和 Computer Use 能力更强
• QSA 大幅降低长上下文计算成本
• API 定价进一步下降

这些变化，也让 Qwen3.8 Flash 不只是一个“更快的模型”。

它更像是在为下一代 AI Agent 和长任务做准备。

Qwen3.8 Flash 是什么？

Qwen3.8-Flash-Next 是一个 多模态 MoE（Mixture-of-Experts，混合专家）模型。

它的主模型拥有 125B 参数，另外加入了 51B N-gram Embedding 参数。

不过，模型生成每个 Token 时，并不会调用全部参数。

实际激活参数大约只有 6B。

简单来说：

模型整体很大，但每次只使用当前任务真正需要的一部分。

这也是 MoE 架构的核心优势之一。

Qwen 官方表示，与 Qwen3.7-Plus 相比，Qwen3.8-Flash-Next 的训练成本只有大约 1/9，但在编程和办公任务上的表现反而更强。

对于用户来说，这意味着一件很实际的事：

AI 不一定要继续无限变大，才能继续变强。

更聪明地使用计算资源，同样可以提升模型能力。

## 100 万 Token 上下文

Qwen3.8-Flash-Next 原生支持 262,144 Tokens，通过 YaRN 可以扩展到约 1,000,000 Tokens。

这类超长上下文特别适合：

• 长篇 PDF 和报告
• 大型代码库
• 多份研究资料
• 长时间 Agent 任务
• 多轮复杂对话
• 跨文件信息分析

但更大的 Context 也会带来一个问题：

内容越长，Attention 的计算成本通常越高。

Qwen 这次引入了 Qwen Sparse Attention（QSA）。

它不会让模型平均处理所有上下文，而是先找到更重要的信息区域，再重点计算。

可以简单理解成：

不是从头到尾反复阅读一本 500 页的书，而是先快速定位最相关的章节，再仔细阅读。

官方也已经对这套方案进行了测试。

在 1M Token 上下文下，QSA 的 Attention Kernel：

• Prefill 最高加速 7.6×
• Decode 最高加速 4.9×

在一个 Prefix Cache 命中率为 90% 的测试环境中，Qwen3.8-Flash-Next 在 1M Context 下的 Prefill Throughput 达到 Qwen3.7-Plus 的 8.6×。

所以这次的 1M Context 并不只是把数字做大。

Qwen 同时在解决：

怎么让超长上下文跑得更快。

Benchmark 表现怎么样？

Qwen 官方已经公布了一批比较完整的测试结果。

其中几个比较值得关注：

这里比较明显的一个变化是：

Qwen3.8 Flash 不只在做 Coding。

它在 Office Work、Agent、Tool Use 和 Professional Tasks 上也投入了很多。

例如在 CoWorkBench 上，Qwen3.8-Flash-Next 得到 73.9：

这些结果来自 Qwen 官方公布的 Benchmark 表，因此更适合用来判断不同模型在特定任务上的表现，而不是简单得出“某个模型全面超过另一个模型”的结论。

多模态能力也在提升

Qwen3.8 Flash 不是纯文本模型。

它同时支持多模态任务。

官方测试中：

其中 AndroidWorld 84.5 比较值得注意。

它测试的是模型操作 Android 环境完成任务的能力。

这说明 Qwen 的方向已经越来越清楚：

模型不只是负责“回答问题”。

它需要能够：

看懂内容 → 理解任务 → 调用工具 → 完成操作。

这也是现在 AI Agent 竞争的核心方向之一。

Reddit 和 X 用户更关心实际体验

相比官方 Benchmark，Reddit 和 X 上的讨论更直接。

最近几天，用户主要集中在几个问题：

这么大的模型能不能在本地跑？

6B Active 到底意味着什么？

N-gram Embedding 会不会让大模型更适合本地部署？

长上下文的实际速度怎么样？

Reddit 的 LocalLLaMA 社区中，很多讨论都集中在模型量化、内存占用以及 N-gram Embedding 能否 Offload 到系统内存。

X 上也已经出现消费级硬件测试。

一组使用 RTX 4090、110GB 系统内存的测试，在约 250K Context 下报告了约 21 Tokens/s Decode，说明这类 100B+ MoE 模型已经开始进入个人硬件用户的测试范围。

当然，不同 Quant、RAM、GPU 和 Offload 设置会产生明显差异。

但社区关注点已经发生变化：

过去大家看到 100B+ 模型，第一反应往往是“服务器才能跑”。

现在越来越多人开始问：

我的电脑能不能跑？

Qwen3.8 Flash 不只是 Coding Model

如果只看 SWE-bench，很容易把 Qwen3.8 Flash 理解成一个 Coding Model。

但从官方 Benchmark 来看，它明显在朝更完整的 Agent 方向发展。

Coding 只是其中一部分。

它还在强化：

• 长时间办公任务
• 工具调用
• 多模态理解
• Computer Use
• Mobile Agent
• 长上下文分析

这也符合现在 AI 产品的发展方向。

用户需要的已经不只是：

“帮我回答这个问题。”

而越来越接近：

“帮我把这件事做完。”

这两个需求对模型的要求完全不同。

第二种任务可能需要 AI 连续读取文件、分析网页、理解图片、调用工具，再根据前面的结果继续下一步。

这也是为什么低成本和长上下文越来越重要。

如果你经常处理文档，可以试试 iWeaver

对于普通用户来说，模型 Benchmark 并不是最终目的。

真正重要的是：

怎么把这些模型能力变成一个完整的工作流。

如果你平时需要处理：

• PDF
• Word
• 网页
• 图片
• 音频
• 视频
• 研究资料
• 多份文件

可以试试 iWeaver。

iWeaver 更偏向知识工作和复杂内容处理。

你可以把不同格式的内容放进同一个 AI Workspace，然后继续：

Summarize → Understand → Analyze → Organize → Create

例如：

上传一份几十页的报告，让 AI 找出重点。

加入几个网页，对比不同来源的信息。

再把会议录音、PDF 和图片放在一起，整理成结构化笔记。

这类任务也是长上下文和多模态模型最适合发挥价值的地方。

因为用户最终需要的不是“100 万 Token”。

而是：

更快把复杂信息变成可以直接使用的结果。

想自由创作，可以试试 XPT

另一类 AI 使用场景并不是分析已有资料，而是从一个想法开始。

例如：

• Brainstorming
• Story Writing
• Roleplay
• Character Creation
• Image Generation
• Worldbuilding
• Open-ended Chat

这类任务可以试试 XPT。

XPT 更偏向开放式 AI 创作和持续对话。

它的工作方式更接近：

Idea → Chat → Story → Character → Image → Keep Exploring

如果说 iWeaver 更适合：

理解和整理已有信息

那么 XPT 更适合：

把一个想法继续发展下去

随着 Qwen、Claude、GPT、Gemini、DeepSeek 等模型不断更新，底层模型之间的差距会继续变化。

但对普通用户来说，一个越来越重要的问题是：

这个 AI 产品能不能真正帮我完成任务？

为什么 Qwen3.8 Flash 值得关注？

Qwen3.8 Flash 最值得关注的并不是某一项 Benchmark。

而是它展示出的整体方向。

更大的 Context。

更强的 Agent。

更好的多模态能力。

更低的计算成本。

以及更高效的模型架构。

官方数据已经证明，Qwen3.8-Flash-Next 在 Coding、Office Work、Tool Use、多模态和长上下文效率方面都有明显提升。

同时，它还是 Qwen4 架构的一次提前预览。

所以，Qwen3.8 Flash 并不只是 Flash 系列的一次常规升级。

它更像是在告诉我们：

下一代 Qwen，重点不只是做得更大，而是让强大的 AI 运行得更高效。