今天，阿里千问又上新了，一口气亮出两款模型：一款是多模态MoE模型Qwen3.8-Flash，另一款是全新架构Qwen3.8-Flash-Next，后者是下一代Qwen4的雏形，权重已开源。
先看参数。Qwen3.8-Flash总参数125B，但别被这个数字吓到——它每处理一个token只激活6B参数。什么意思？相当于一个125人的大公司，但每笔业务只让6个人干活，效率自然高。
更狠的是价格。API定价输入只要每百万Tokens 1块钱，输出3块钱。这么算下来，1块钱就能让模型读完100万token的文本，大概是好几部《三体》的量，这在行业里属于"白菜价"级别。
模型原生支持26万token上下文，通过YaRN技术还能扩展到100万token，别说短篇小说了，长篇小说都能一口气读完。
成本优势同样明显。千问团队透露，Qwen3.8-Flash的训练开销只有前代Qwen3.7-Plus的九分之一，同样的预算，别人训练一次，他们能训练九次，这账怎么算都划算。
架构上，这次四个核心升级都打在性能上。注意力模块换成GDN+QSA混合结构，GDN负责压缩历史信息像记性好的学霸，QSA筛选关键上下文像精准划重点的考前突击生，百万token场景下，Prefill和Decode速度最高分别提速7.6倍和4.9倍。
Gated Residual机制把残差流扩成4条并行分支，靠动态门控优化跨层信息传递，训练起来更稳。N-gram Embedding相当于给模型配了本快速查字典，新增51B参数却几乎不增加计算负担，这波操作挺精明。
训练环节改用Muon与AdamW混合优化策略，重新拟合Scaling Law，直接砍掉了批次预热流程，难怪训练成本能降这么多。
测下来成绩也不含糊。基础模型靠6B激活参数，在14项评测里拿了8项第一。微调版本在SWE-bench Pro上拿下62.5分，CoWorkBench、Toolathlon等智能体榜单上直接甩开同类模型一截。
千问团队提前开源这套架构，思路很明确：先让社区帮着验证创新方案，加速迭代，稳步把Qwen4打磨出来。目前权重已经在Hugging Face和ModelScope上线，技术报告也同步公开，感兴趣的开发者现在就能上手玩。
大模型赛道向来拼的是参数大、数据多，但千问这波动作透露出一个新信号：在算力成本节节攀升的当下，既要跑得快，更得省着烧。轻量化、高性价比，才是让AI真正用得起的路。