阿里发布Qwen3.8-Flash-Next全新MoE架构，训练成本仅1/9，性能全面超越上代Qwen3.7-Plus

8 月 27 日讯，阿里巴巴达摩院通义实验室通过官方博客正式发布 Qwen3.8-Flash-Next 全新混合专家（MoE）开源大模型。国内 AI 资讯聚合平台 ai0.news 当日早间摘要即将其评为「2026 年度最具性价比开源模型」。这款承载架构创新的中间版本，采用主模型 1250 亿参数配合 510 亿 N-gram 嵌入层、每 Token 仅激活约 60 亿参数的突破性设计，在训练总算力仅为上代旗舰 Qwen3.7-Plus 约九分之一的前提下，MMLU、GSM8K、HumanEval、Multilingual-101 等全球主流基准测试成绩全面超越。量化生态伙伴 Unsloth 同步发布约 73GB 的 INT4 量化包，可在苹果刚发布的 M5 Ultra 512GB 版 Mac Studio 上单卡全速运行。通义实验室明确表示，Flash-Next 就是 Qwen 4 正式版发布前的架构预览，后续所有升级都将围绕这一技术基线展开。

一、通义官方博客年度重磅：开源社区的性价比核弹

北京时间 8 月 27 日上午 10 点整，通义实验室在官方博客和 Hugging Face 同步开放 Qwen3.8-Flash-Next 的权重下载、技术报告与推理代码。开源许可证延续 Qwen 系列一贯的 Apache 2.0 协议，允许商业免费使用，无需额外授权申请。权重发布 90 分钟内 Hugging Face 下载量即突破 38 万次，刷新了国产大模型开源首日热度纪录。

ai0.news 编辑团队在当日摘要中用「性价比核弹」来形容这次发布：相较于 Qwen3.7-Plus 训练阶段投入的 3.0e26 FLOPs 总算力和 7800 吨二氧化碳排放，Flash-Next 仅用 3.2e25 FLOPs 就实现了综合性能的反超，单位算力产出效率提升一个数量级。更关键的是，推理侧每 Token 仅激活 60 亿参数，这意味着在相同显存条件下可承载的上下文窗口、并发会话数以及整体吞吐均远优于同量级稠密模型，为国产模型在公有云推理成本竞赛中打开了全新空间。

二、创新MoE架构详解：主模型+N-gram嵌入层的双层协同

与传统 MoE 模型采用多 Expert 并行路由、各层参数对称分配的经典范式不同，Qwen3.8-Flash-Next 提出了非对称的双层协同架构。主模型部分采用 1250 亿参数的稠密 Transformer，负责深层语义理解、逻辑推理、多轮对话一致性等高阶认知任务；在主模型之外，独立设置一个 510 亿参数的 N-gram 嵌入层，专门用于高效存储高频短语搭配、实体事实记忆、代码片段模板、多语言翻译对等记忆型数据。

这种分工带来的直接收益是激活参数量的大幅下降。路由算法在每一步生成时会判断当前 Token 属于「推理型」还是「记忆型」，推理型 Token 进入主模型深层计算，记忆型 Token 则主要在 N-gram 嵌入层完成快速查表匹配，最终整体每 Token 激活参数量仅约 60 亿。横向对比来看，这一激活规模仅为 DeepSeek-V4 激活参数量的 1/8、xAI Grok-4 的 1/12。路由决策算法采用 Top-k softmax 结合语言模型自监督去噪，路由准确率在测试集上达到 97.8%，避免了传统 MoE 常见的专家负载失衡和路由抖动问题。

三、训练成本与算力效率的数量级突破

训练成本是本次发布最引人瞩目的指标之一。Qwen3.7-Plus 训练阶段总共消耗了约 3.0e26 FLOPs 算力，部署在阿里云乌兰察布、张北、河源三大数据中心共计 1.2 万张 A100 组成的 GPU 集群上，历时 78 天完成，直接算力成本估算约 1.8 亿元人民币，全生命周期二氧化碳排放量约 7800 吨。

Flash-Next 训练总算力降至 3.2e25 FLOPs，仅为上代的 1/9.4；对应训练数据量从 12.4T Token 精简优化为 5.8T Token，通过更高质量的去重和过滤减少冗余重复学习；GPU 集群规模仅为上代的 1/6，全部部署在乌兰察布新一代液冷机房，得益于液冷 PUE 降至 1.12 以及电价结构优势，单位算力成本进一步下降。最终全生命周期二氧化碳排放量从 7800 吨大幅下降至 840 吨，这一数据让 Qwen3.8-Flash-Next 成为同等能力级模型中首个碳足迹降至千吨以内的开源版本，也为国内大模型行业的绿色算力转型树立了标杆。

四、基准成绩对比：全面超越上代旗舰的性能跃升

在技术报告公布的基准成绩对比表中，Qwen3.8-Flash-Next 展现出对 Qwen3.7-Plus 的全方位超越。综合知识理解基准 MMLU 达到 88.7 分，对比 Qwen3.7-Plus 的 87.2 分提升 1.5 个百分点；小学数学推理 GSM8K 以 95.8 对比 94.1，代码生成基准 HumanEval 以 90.3 对比 88.6，多语言综合能力 Multilingual-101 更是从 81.9 大幅跃升至 86.4，拉开 4.5 个百分点的差距。

尤其值得国产模型关注的是中文评测维度的领先优势。CMMLU（中文多任务语言理解）Flash-Next 得分 89.1，对比 Qwen3.7-Plus 的 86.8 提升 2.3 分；C-Eval 中文版综合评测 Flash-Next 达到 87.5，而上代 Qwen3.7-Plus 为 84.3，领先幅度达 3.2 个百分点，较英文评测的 1.5 分提升更为显著。通义实验室在报告中解释，N-gram 嵌入层中专门针对中文高频成语、诗词典故、政策术语、电商商品知识等做了专项记忆注入，使得中文场景的知识召回精度和速度均获得结构性优化。

五、Unsloth量化+Apple M5 Ultra：消费级硬件的旗舰推理

开源模型的普及速度很大程度上取决于推理生态的丰富度。与权重发布同步，量化优化团队 Unsloth 第一时间推出 Qwen3.8-Flash-Next 的 INT4 量化版本，量化后模型文件体积约 73GB，同时保留了 98.3% 的原始模型精度（PPL 退化小于 0.08）。这一体积恰好能完整放入苹果在 8 月 25 日春季新品发布会上刚刚推出的 M5 Ultra 芯片 512GB 统一内存版本的 Mac Studio 中，甚至有余量同时运行 6 份量化副本进行多并发推理。

实际性能测试数据显示，M5 Ultra 512GB 版 Mac Studio 上单卡运行 Flash-Next INT4 量化时，首 Token 延迟稳定在 280ms 左右，持续生成速度可达每秒 145 Token，这一表现已经超过了部分云厂商单张 A100 运行 70B 级模型的公开推理基准。除了苹果 Silicon 平台之外，Unsloth 同步支持 AMD 最新发布的 Strix Halo APU 128GB 版桌面 PC，在锐龙 AI 引擎加速下，64GB 内存环境下也能流畅运行量化推理。消费级硬件对 125B 级 MoE 模型的友好适配，进一步降低了 Qwen 系列在中小企业和个人开发者中的部署门槛。

六、Qwen 4正式版架构预览与路线图展望

通义实验室在博客末尾明确写道：「Qwen3.8-Flash-Next 不是一次随意的版本号递增，而是 Qwen 4 正式版架构基线的公开亮相。」这意味着主模型+N-gram 嵌入层的双层 MoE 架构将正式成为 Qwen 4 系列所有尺寸版本的统一设计范式。

根据披露的路线图，Qwen 4 200B-Plus 旗舰版本预计将于 2026 年 11 月正式发布，将在 Flash-Next 架构基础上进一步扩展主模型规模和 N-gram 记忆库容量，目标在 100 万 Token 超长上下文场景中保持与短上下文一致的推理精度。同步放出的还有 Qwen 4 多模态版本与语音版本路线图：多模态版将支持 8K 视频帧实时理解与生成，语音版将内置端到端语音识别与合成能力，三者共享同一套底层记忆编码与路由机制，从而实现跨模态知识的无缝贯通。

市场反响与行业影响

Qwen3.8-Flash-Next 发布当日即引发开源社区与产业界的双重震动。Hugging Face 趋势榜连续 14 小时占据榜首位置，GitHub Issues 区涌入上百家企业的适配需求，包括钉钉、淘宝、天猫、阿里云客服等阿里内部多个业务线已宣布将在下一季度从 Qwen3.7 全面迁移至 Flash-Next。海外方面，Databricks、Together AI、Fireworks AI 等主流 AI 云平台也已将 Flash-Next 上架推理服务目录，单位 Token 定价较 Qwen3.7-Plus 下降 62%。分析师普遍认为，如此低的训练成本和推理成本如果能在 Qwen 4 正式版中得到延续，将对全球大模型商业格局产生深远影响，可能迫使海外闭源模型厂商重新评估其定价策略。