摘要： Qwen在2026年8月26日開源Qwen3.8-Flash-Next,這款視覺語言模型總參數約180B,每個token僅啟用6B,並強調長上下文與成本效率。官方數據顯示GPQA Diamond 91.7、LiveCodeBench v6 91.9等成績,但屬官方來源;本機部署至少約73GB最小量化檔,建議準備75GB以上RAM或統一記憶體。n-gram表偏靜態且靠統計召回,長尾知識仍需主模型或外部工具補足。
Qwen 在 2026 年 8 月 26 日把 Qwen3.8-Flash-Next 開源，副標題毫不掩飾地亮出主張：「新架構，邁向極致成本效率」。這是一個視覺語言模型，總參數約 180B，而每個 token 僅啟用 6B：125B 的主模型，再加上 51B 的 n-gram 嵌入表與 4B 的 MTP 模組。消息發布當天在 Hacker News 累積逾 700 點、兩百多則留言，成為該週開源社群討論熱度數一數二的發布。
成績單與發布時序
先把官方數字列一輪：GPQA Diamond 91.7、LiveCodeBench v6 91.9、SWE-bench Multilingual 81.0、SWE-bench Pro 62.5、AndroidWorld 84.5、HLE 35.9。原生上下文為 262,144 tokens，以 YaRN 可向外延展到一百萬。官方還主動附上成本比較：訓練支出大約只有 Qwen3.7-Plus 的九分之一，各項表現卻全面超前。時序同樣值得一看——模型卡 8 月 24 日建立，ModelScope 早一天用「125B A6B」預告，8 月 26 日才連同技術報告正式釋出。
三個特別的零件
一、n-gram 嵌入表：內含約兩千萬條 bigram 與 trigram 統計，讓模型不必靠 RAG 就能召回事實，而且這張表可以卸載到記憶體，甚至用 NVMe 分頁方式讀取，效能折損有限。二、混合注意力：用 Gated DeltaNet 配上 Qwen Sparse Attention（QSA），把長上下文的注意力開銷壓下來。三、MTP 多 token 預測層，解碼時一次預測多個 token，用計算換速度。MoE 這端是 512 個專家，每個 token 啟用 10 個路由專家加 1 個共享專家，共 48 層。也有開發者從 llama.cpp 的報錯訊息裡挖出新架構代號「qwen4exp」，解讀這次發布同樣在替 Qwen 4 鋪路。
一切以效率為先
啟用 6B 最直接的後果就是服務成本廉價：每個 token 的計算量跟一個 6B 稠密模型同級，身上卻背著 125B 主體的知識容量。官方把它定位為高吞吐、低延遲的主力機型——代理式工作流常常一次燒掉幾十萬 token，成本曲線直接決定能不能大規模跑起來。代價也寫得很清楚：n-gram 表偏靜態，召回靠統計而不是語義，長尾知識仍得由主模型參數或外部工具補齊。
搬到自己機器上的真實門檻
啟用參數只有 6B，不代表本機就好跑。n-gram 表加上全部權重照樣要佔記憶體：Unsloth 文件建議至少備妥 75GB RAM 或統一記憶體，最小的量化檔也還有約 73GB。社群實測的量級是這樣——DGX Spark 跑 nvfp4 約每秒 12 個 token，打開 MTP 之後變成 16 至 20；Strix Halo 約 35；128GB 的 M5 Max 在 18 萬 token 上下文下吃掉約 100GB 記憶體仍能運行。方向相當清楚：這款模型不是給 16GB 筆電用的，而是把「一張卡跑大型 MoE」的花費壓到工作站等級。
開發者該怎麼看
有三點值得記下來。其一，若 llama.cpp 的架構代號無誤，Flash-Next 就是 Qwen 4 架構的預告，此時評估技術選型，應該把這條遷移路徑一併算進去。其二，262K 原生上下文加上可卸載的 n-gram 表，對需要長文件、長對話、又不打算維護向量資料庫的應用來說，是多了一個新選項。其三，本機部署的門檻卡在記憶體而不是算力——規劃硬體時從 80GB 起算，比照「6B 啟用」推算更接近實況。