Qwen3.8-Flash-Next 开源:Qwen4 架构早期预览

Qwen:Blog Retrieval(API)·2026-08-26 20:30·25天前·QwenTeam
AI 导读

通义千问开源 Qwen3.8-Flash-Next,一款多模态 MoE 模型,也是 Qwen4 架构的早期预览。该模型采用 GDN + QSA 混合注意力等四项升级,总参数 125B,每 token 激活 6B,训练成本约为 Qwen3.7-Plus 的 1/9,编码与办公任务能力更强。

Qwen:Blog Retrieval(API)
精选
83AI 编辑部评分,满分 100

Qwen3.8-Flash-Next 开源:Qwen4 架构早期预览

2026-08-26 20:30· 25天前· QwenTeam
AI 导读

通义千问开源 Qwen3.8-Flash-Next,一款多模态 MoE 模型,也是 Qwen4 架构的早期预览。该模型采用 GDN + QSA 混合注意力等四项升级,总参数 125B,每 token 激活 6B,训练成本约为 Qwen3.7-Plus 的 1/9,编码与办公任务能力更强。

推荐理由

这次提前开放 Qwen4 架构权重,关键在于 QSA 稀疏注意力与 N-gram 查表参数同时降低长上下文成本、扩大容量,为评估下一代模型提供早期样本。

正文 · AI 翻译

本次发布中,我们开放了 Qwen3.8-Flash-Next 的权重。这是一款多模态 MoE 模型,同时也是 Qwen4 所采用架构的早期预览。它所扮演的角色与 Qwen3-Next 之于 Qwen3.5 相同:当时引入的混合 Gated DeltaNet + Gated Attention 设计,此后已被广泛应用于 Qwen3.5、Qwen3.6、Qwen3.7 和 Qwen3.8 系列。

我们再次提前公开架构变更,以便社区在完整的 Qwen4 模型家族基于这些架构构建之前,能够先行审视。

Qwen3.8-Flash-Next 从四个方面——注意力、残差、嵌入和优化——对模型进行了系统性升级,在提升模型能力的同时,进一步优化了计算效率、模型容量和训练稳定性:

注意力:采用 GDN + QSA 混合架构。Gated DeltaNet(GDN)高效压缩历史信息;Qwen Sparse Attention(QSA)使用压缩后的轻量级索引器,在微块粒度上选择重要上下文,大幅降低长序列上的注意力计算成本。

残差:Gated Residual(GR)将残差流扩展为 4 个分支,并通过动态门控控制读写操作,强化了跨层信息流动和训练稳定性。

嵌入:N-gram Embedding 利用局部上下文查表,以极少的额外计算扩展模型容量;嵌入表可卸载至主机内存,并通过异步预取与模型计算重叠执行。

优化:采用 Muon 优化器,并围绕正交化精度、Muon 与 AdamW 之间的分工以及融合参数的拆分进行了精细调优,同时针对新架构重新拟合了缩放定律。

Qwen3.8-Flash-Next 拥有 125B 参数的主模型,并辅以额外的 51B N-gram 嵌入向量,每个 token 激活 6B 参数。与 Qwen3.7-Plus 相比,Qwen3.8-Flash-Next 大幅降低了训练和推理成本——训练量仅约为其 1/9,但在编程和办公任务上却展现出更优的能力。

它原生支持 262,144 个 token 的上下文,并可通过 YaRN 扩展至 1,000,000 个 token。有关 Qwen3.8-Flash-Next 架构、训练方法和实验分析的更多技术细节,请参阅我们 GitHub 仓库中的技术报告。

Qwen3.8-Flash-Next 的权重现已可在 Hugging Face 和 ModelScope 上获取。生产版本默认支持 1M 上下文并内置官方工具,以 Qwen3.8-Flash 的名称在 QwenCloud 上提供服务,定价为每百万输入 token 0.16 美元、每百万输出 token 0.47 美元(API 即将推出)。

语言#

Qwen3.8-Flash-NextQwen3.8-27BQwen3.7-PlusDeepSeek-V4-Flash-0731Claude-Opus-4.6 (Max)

参数量

125B27B397B284B--

激活参数量

6B27B17B13B--

N-gram 嵌入向量参数

51B--------

编码

智能体编码

DeepSWE 1.1

58.742.216.554.4--

智能体编码

SWE-bench Pro

62.561.755.856.053.4

多语言软件工程

SWE-bench Multilingual

81.073.875.8--77.5

仓库级代码生成

NL2Repo-Bench

48.142.341.154.247.6

智能体

长周期办公任务

CoWorkBench

73.970.765.145.168.2

专业工作任务

JobBench

55.733.427.641.336.6

前沿智能体任务

Agents' Last Exam

Pass@1

得分

Pass@1

得分

Pass@1

得分

Pass@1

得分

真实世界工具使用

Toolathlon Verified(Pass@1)

73.567.150.670.3--

通用

指令遵循

IFBench

81.379.579.179.262.5

科学推理

GPQA Diamond

91.789.290.390.891.3

多学科推理

HLE

35.930.834.733.840.0

竞赛级编程

LiveCodeBench v6

91.990.389.690.688.8

  1. DeepSWE 1.1:使用 Claude Code 和 mini-SWE-agent 两种测试框架进行评估,temp=1.0,top_p=0.95,上下文窗口 256K。我们报告两个框架中的最高得分;值得注意的是,Qwen3.8-Flash-Next 在 mini-SWE-agent 上表现最佳。
  2. SWE-bench Pro:除 Claude-Opus-4.6(Max)采用官方公布的分数外,所有模型均使用 Claude Code 测试框架进行评估,temp=1.0,top_p=0.95,上下文窗口 256K。有问题的任务已修正,所有基线模型均在优化后的基准上重新评估。
  3. SWE-bench Multilingual:使用 mini-SWE-agent 测试框架进行评估,temp=1.0,top_p=0.95,上下文窗口 256K。
  4. NL2Repo-Bench:使用 Claude Code 评测框架进行评估。为防止奖励黑客行为,我们禁用了试图访问特定仓库的 Bash 命令,例如 pip download、pip install 和 git clone。
  5. CoWorkBench:一个内部开发的协作基准测试,用于评估计算机科学、金融、法律、医学及其他生产力领域中涉及长周期办公与生产力任务的智能体能力。
  6. HLE:由 GPT-4o 进行评判。
  7. 每行中的最佳结果以粗体显示。
  8. 空白单元格(--):表示分数尚不可用或不适用。

视觉语言#

Qwen3.8-Flash-NextQwen3.8-27BQwen3.7-PlusClaude-Opus-4.6 (Max)

智能体多模态智能

多模态工具调用

ClawEval-MM

Pass@3

平均

Pass@3

平均

Pass@3

平均

Pass@3

平均

应用复刻

RecreationBench

49.947.130.2--

移动端使用

AndroidWorld

84.581.981.062.0

电脑端使用

OSWorld 2.0

可视化网页开发

Vision2Web

64.062.942.1--

通用多模态智能

具身智能

ERQA

72.365.569.840.8

长视频理解

LVBench

76.672.476.263.0

真实世界感知

RealWorldQA

88.585.986.973.9

视觉数学问题求解

MathVision

无 CI

有 CI

无 CI

有 CI

无 CI

有 CI

无 CI

科学图表分析

CharXiv (RQ)

无 CI

有 CI

无 CI

有 CI

无 CI

有 CI

无 CI

  1. ClawEval-MM:分数以“pass@3 / 平均分”形式报告。Pass@3 衡量的是在三次试验中至少一次通过的百分比,平均分则是三次试验的平均得分。
  2. RecreationBench:一个内部的长时程应用复刻基准,用于评估跨五个平台的混合智能体能力——桌面端(Ubuntu、macOS、Windows)、移动端(Android)和网页端。
  3. OSWorld 2.0:分数以“binary / partial”形式报告。Binary 分数是获得完整任务奖励的任务百分比,而 partial 分数则汇总了所有任务中获得的局部奖励。
  4. Vision2Web:分数以前端、网页和网站类别的平均值报告,使用 Claude Code harness,并由 gpt-5.4-2026-03-05 评判。
  5. MathVision、CharXiv(RQ):分数以“无 CI / 有 CI”形式报告。MathVision 中少量错误的地面真值标注在人工核验后已得到修正。我们模型的得分使用固定提示词评估,例如“请逐步推理,并将最终答案放在 \boxed{} 中。”对于其他模型,我们报告在有无 \boxed{} 格式的两次运行中得分较高的一次。
  6. 每行最佳结果以粗体显示。
  7. 空单元格(--)表示分数尚未公布或暂不适用。

要点:GDN + QSA,兼顾高效内存与精准检索#

传统的全量注意力(Full Attention)可以直接访问所有历史 token,但随着上下文不断变长,计算成本和 KV Cache 的内存访问成本都会大幅上升。

沿袭 Qwen3.5 中引入的架构设计,Qwen3.8-Flash-Next 采用了 GDN [1] + 注意力混合架构:每四层中有三层使用 Gated DeltaNet(GDN),将历史信息持续压缩到固定大小的状态中,其余一层则使用全局注意力(global Attention),在整个上下文中精准检索信息。

对于全局注意力,我们进一步引入了 Qwen 稀疏注意力(Qwen Sparse Attention,QSA)。稀疏注意力通过只关注重要上下文来降低长序列的计算量。然而,现有的方法(如 DSA [2])仍然依赖 token 级索引器来定位重要位置;随着上下文不断增长,索引器本身也会成为不可忽视的计算开销来源。

QSA 进一步压缩了这一过程:一个轻量级索引器先将序列聚合为微块,在块级别估计上下文重要性,然后选择最相关的区域进行 Attention。这不仅降低了 Attention 本身的成本,也降低了识别重要上下文所需的索引开销。与跨层共享索引的方法 [3] 相比,QSA 在每一层内独立进行序列压缩,减少了对跨层 Attention 相似性的依赖,使其特别适合 GDN 与 Attention 层交错排列的 Hybrid 架构。

简而言之:GDN 高效地“记忆”,而 QSA 精准地“检索”。

在 1M token 规模下,QSA 的 Attention Kernel 在 Prefill 和 Decode 阶段分别实现了最高 7.6 倍和 4.9 倍的加速。在代表高缓存复用在线服务场景的实验设置中(90% 的 Prefix Cache 命中率),Qwen3.8-Flash-Next 在 1M-token 上下文长度下实现了 Qwen3.7-Plus 8.6 倍的 Prefill 吞吐量。

门控残差:为信息流动提供更多路径#

在传统的 Transformer 中,所有层都持续从同一个 Residual Stream 读取和写入。随着网络不断加深,早期特征会与后期信息反复混合,使得重要信号更有可能被逐渐稀释。

门控残差(GR)可以看作两种思路的结合:它沿用了 Hyper-Connection [4] 的做法,将残差流拓宽为多个分支,同时把 GatedNorm [5] 的逐元素动态门控引入残差读取过程。原本单一的残差流被扩展为四个并行分支,使模型能够根据当前内容动态决定从每个分支读取多少信息、向每个分支写回多少信息。

这可以理解为将单一信息通道扩展为多条并行通路:部分分支负责局部信息流动,而另一些分支则将早期信息直接保留并深入传递到网络深层。实证分析还表明,其中一个分支会自然涌现为一条长程通路,将第一个 Attention 层与中后段的大多数层连接起来。

GR 还进一步简化了 Hyper-Connection。一旦读取和写入操作具备足够的表达能力,额外的分支混合便不再带来显著收益,可以直接移除,从而降低内存访问开销和不稳定因素。Gate 还能有效抑制激活值离群点,提升训练稳定性。此外,Residual State 支持 FP8 存储,进一步减少了内存访问开销。

N-gram Embedding:以低成本扩展模型容量#

受 Gemma 3n 中的 Per-Layer Embedding 以及 DeepSeek Engram [6] 等工作的启发,我们进一步引入 N-gram Embedding,使模型容量能够超越 Transformer 主干网络的参数规模。

标准 Embedding 基于单个 token 进行查找。N-gram Embedding 则利用当前 token 及其前面若干 token 构成的局部上下文进行查找,为常见短语和局部模式提供额外的表示。

其关键优势在于,它可以在几乎不增加每个 token 计算量的情况下,引入大量参数。

Qwen3.8-Flash-Next 额外引入了 51B 的 N-gram Embedding 参数。由于查找位置可以预先确定,这些参数可以存储在主机内存中,并在模型计算的同时异步预取,无需永久占用 GPU 内存。

最终模型仅在网络靠近输入端的位置使用一个 N-gram Embedding 层,以相对较低的额外成本,有效地增加了一个大规模的“局部模式记忆”。

优化:架构与优化的协同设计#

Qwen3.8-Flash-Next 使用 Muon 优化器 [7] 进行训练,并围绕将 Muon 应用于大规模模型训练的三个方面进行了进一步改进:正交化精度、Muon 与 AdamW 之间的参数分配,以及融合参数矩阵的切分。

对于真正充当二维线性映射的参数,例如 Attention、GDN 和 MoE Experts 中的主要权重,我们使用 Muon。Embeddings、MoE Router 以及 GR 中的低秩参数继续使用 AdamW。对于在实现中融合的 QKV、SwiGLU 和 GDN 投影,我们首先根据它们所代表的独立线性变换进行拆分,然后分别进行正交化。

针对新架构和优化器,我们重新拟合了 Scaling Law。结果表明,模型可以稳定地使用更大的学习率和批大小,进一步提升了收敛效率和大规模并行训练吞吐量。

我们还发现,大规模模型训练中的常见做法——批大小预热(Batch Size Warmup)已不再必要:从小批量逐步增加到目标批量并不能改善最终结果,反而需要多出 18.8% 的优化器步数。因此,在最终的训练方案中,我们直接以目标批大小开始训练。

其他架构优化#

其余组件遵循 Qwen3-Next 中确立、并在 Qwen3.5–Qwen3.8 系列中不断完善的设计。

超稀疏 MoE:通过全局负载均衡 [8],在保持激活专家数量不变的情况下增加专家总参数量,可以稳定地降低训练损失。因此,Qwen3.8-Flash-Next 使用大型专家池,每个 token 路由到少量专家,并配有一个共享专家。

多 token 预测:MTP 模块采用多步训练,保持训练与推理之间的一致性,从而提升投机解码在真实场景中的接受率,同时增强主干网络的性能。其全注意力层同样替换为 QSA。

训练稳定性:保留了对归一化权重施加权重衰减的零中心 RMSNorm、注意力输出门控机制 [9],以及归一化的 MoE 路由器初始化。这些设计使小规模消融实验更加可靠,并有助于大规模训练平稳进行。

基座模型性能#

我们将 Qwen3.8-Flash-Next-Base 与 Qwen3.8-27B 和 Qwen3.7-Plus 的基座模型进行对比。

Qwen3.8-Flash-Next-BaseQwen3.8-27B-BaseQwen3.7-Plus-Base

参数量

125B27B397B

激活参数量

6B27B17B

N-gram 嵌入参数量

51B----

通用任务

MMLU

90.3687.5190.43

MMLU-Redux

90.6887.2691.47

MMLU-Pro

73.2368.6070.90

SuperGPQA

51.3644.8648.42

BBH

90.8789.5689.41

数学与 STEM 任务

GPQA

51.4245.0151.52

GSM8K

93.2993.1892.95

MATH

72.7860.5474.38

编程任务

EvalPlus

78.7676.0578.06

MultiPL-E

79.0974.5081.68

SWEBench-Pretrain

50.9941.6649.24

多语言任务

MGSM

89.3386.3785.42

MMMLU

84.8679.7484.53

INCLUDE

78.4074.3778.90

  1. 每一行中的最佳结果以粗体显示。
  2. 空白单元格(--):分数尚未公布或暂不适用。

在 6B 激活参数下,Qwen3.8-Flash-Next-Base 在 14 项基准测试中的 8 项上取得了最佳结果,包括 MMLU-Pro、SuperGPQA、BBH、GSM8K、EvalPlus、SWEBench-Pretrain、MGSM 和 MMMLU,并且在 MMLU、MMLU-Redux、GPQA、MATH 和 MultiPL-E 上保持与 Qwen3.7-Plus-Base 接近的水平。

51B 的 N-gram 嵌入参数采用确定性寻址,不进入逐 token 的矩阵乘法预算。

使用 Qwen3.8-Flash-Next 进行开发#

Qwen3.8-Flash-Next 以开放权重模型的形式在 HuggingFace 和 ModelScope 上提供,并可通过 QwenCloud 上的官方托管 API 使用。该模型旨在平衡能力、延迟和成本,非常适合高吞吐量应用、工具驱动的工作流以及编码与协作助手。下面,您可以了解如何调用 QwenCloud API,并将 Qwen3.8-Flash-Next 集成到智能体系统和编码助手中。

即将推出。该 API 尚未上线——将在本文发布后不久启用。本节中的示例届时即可使用。

Qwen3.8-Flash-Next 可通过 API 使用:

QwenCloud#

在 QwenCloud 上,该模型以 qwen3.8-flash 的名称提供服务。QwenCloud 支持行业标准协议,包括兼容 OpenAI 的 Chat Completions 和 Responses API,以及兼容 Anthropic 的接口。

""" 环境变量: DASHSCOPE_API_KEY:您的 API 密钥,来自 https://home.qwencloud.com/ DASHSCOPE_BASE_URL:(可选)兼容模式 API 的基础 URL。

"preserve_thinking": True,

}, reasoning_effort="xhigh", # supported levels are xhigh, medium, and low stream=True, ) reasoning_content = "" answer_content = "" is_answering = False print("\n" + "=" * 20 + "Reasoning" + "=" * 20 + "\n") for chunk in completion: if not chunk.choices: print("\nUsage:") print(chunk.usage) continue delta = chunk.choices[0].delta if hasattr(delta, "reasoning_content") and delta.reasoning_content is not None: if not is_answering: print(delta.reasoning_content, end="", flush=True) reasoning_content += delta.reasoning_content if hasattr(delta, "content") and delta.content: if not is_answering: print("\n" + "=" * 20 + "Answer" + "=" * 20 + "\n") is_answering = True print(delta.content, end="", flush=True) answer_content += delta.content

智能体框架与编程助手#

Qwen3.8-Flash-Next 可与主流智能体框架和编程助手无缝集成:

QwenWork(即将推出)#

QwenWork 是阿里巴巴旗舰级 AI 生产力平台,旨在帮助个人和企业自动化日常任务并提升运营效率。

我们很高兴地宣布,QwenWork 已集成 Qwen3.8-Flash-Next,为其新推出的“标准”模式提供支持,借助该模型的前沿能力,提供流畅且高性价比的体验,为职场 AI 智能体树立新标杆。

更多详情请参阅官方文档!

Claude Code#

npm install -g @anthropic-ai/claude-code export ANTHROPIC_MODEL="qwen3.8-flash" export ANTHROPIC_SMALL_FAST_MODEL="qwen3.8-flash" export ANTHROPIC_BASE_URL=https://dashscope-intl.aliyuncs.com/apps/anthropic export ANTHROPIC_AUTH_TOKEN= claude

Codex#

Qwen API 支持 OpenAI Responses 协议,因此可与 Codex 配合使用:

在 ~/.codex/model-catalog.local.json 中

{ "models": [ { "slug": "qwen3.8-flash", "display_name": "qwen3.8-flash", "description": "QwenCloud: Qwen3.8-Flash", "default_reasoning_level": "xhigh", "supported_reasoning_levels": [ { "effort": "low", "description": "快速响应,推理较轻" }, { "effort": "medium", "description": "针对复杂问题提供更深入的推理" }, { "effort": "xhigh", "description": "针对复杂问题提供超高深度推理" } ], "context_window": 1000000, "effective_context_window_percent": 95, "supports_parallel_tool_calls": true, "supports_image_detail_original": true, "input_modalities": ["text", "image"], "shell_type": "default", "visibility": "list", "supported_in_api": true, "priority": 1, "base_instructions": "", "support_verbosity": false, "supports_reasoning_summaries": false, "experimental_supported_tools": [], "truncation_policy": { "mode": "bytes", "limit": 10000 } } ] }

在 ~/.codex/config.toml 中

model_catalog_json = "~/.codex/model-catalog.local.json" model_provider = "QwenCloud" model = "qwen3.8-flash" [model_providers.QwenCloud] name = "QwenCloud" base_url = "https://dashscope-intl.aliyuncs.com/compatible-mode/v1" env_key = "OPENAI_API_KEY" wire_api = "responses"

npm install -g @openai/codex export OPENAI_API_KEY= codex

Qoder CLI#

Qoder 与 Qwen 协同进化,赋能智能体编程:

curl -fsSL https://qoder.com/install | bash qoder

Qwen Code#

npm install -g @qwen-code/qwen-code@latest qwen

OpenClaw#

通过 QwenCloud 连接 OpenClaw:

curl -fsSL https://openclaw.ai/install.sh | bash export DASHSCOPE_API_KEY= openclaw dashboard

{ "models": { "mode": "merge", "providers": { "qwencloud": { "baseUrl": "https://dashscope-intl.aliyuncs.com/compatible-mode/v1", "apiKey": "DASHSCOPE_API_KEY", "api": "openai-completions", "models": [ { "id": "qwen3.8-flash", "name": "qwen3.8-flash", "reasoning": true, "input": ["text", "image"], "contextWindow": 1000000, "maxTokens": 65536 } ] } } }, "agents": { "defaults": { "model": { "primary": "qwencloud/qwen3.8-flash" } } } }

Qwen3.8-Flash-Next 在 Qwen3-Next 引入的混合架构基础上,沿四个方向进行了扩展:注意力、残差、嵌入向量和优化。QSA 将序列压缩到每一层内的微块中,在长上下文场景下同时降低注意力计算成本和索引成本,同时保持精确检索。

Gated Residual 将残差流拓宽为若干并行分支,并通过逐元素、数据相关的门控机制控制读写,以可忽略不计的算术开销改善跨层信息流动和训练稳定性;残差状态还可额外以 FP8 格式保存,进一步减少内存流量。N-gram 嵌入向量通过确定性寻址的查找内存扩展容量,该内存可以以可忽略不计的每 token 计算量进行扩展,并可卸载到主机内存。

在优化方面,Muon 被用作主优化器,正交化精度、参数分配和融合矩阵切分是决定性的实现选择,并且针对新架构重新拟合了缩放定律。

我们提前发布这些权重,以便社区能够像对待 Qwen3-Next 那样独立评估该架构,我们将继续对其进行优化,朝着 Qwen4 迈进。

@techreport{qwen2026design, title = {On the Design of {Qwen3.8-Next} Architecture: Evaluation, Efficiency, and Training Stability}, author = {{Qwen Team}}, institution = {Alibaba Group}, month = {August}, year = {2026} } @misc{qwen3.8flashnext, title = {{Qwen3.8-Flash-Next}: A New Architecture, Towards Ultimate Cost-Efficiency}, author = {{Qwen Team}}, month = {August}, year = {2026}, url = {https://qwen.ai/blog?id=qwen3.8-flash-next} }

参考文献#

[1] 门控 Delta 网络:用 Delta 规则改进 Mamba2

[2] DeepSeek-V3.2:推动开放大语言模型的前沿

[3] IndexCache:通过跨层索引复用加速稀疏注意力

[4] 超连接(Hyper-Connections)

[5] 注意力与残差汇(Residual Sinks)的统一视角:离群值驱动的重缩放对 Transformer 训练至关重要

[6] 通过可扩展查找实现条件记忆:大语言模型稀疏性的新维度

[7] Muon:面向神经网络隐藏层的优化器

[8] 细节中的魔鬼:论如何实现负载均衡损失以训练专业化混合专家模型

来源:Qwen:Blog Retrieval(API)· qwen.ai