昨晚难得一见：智谱和阿里千问在几个小时内先后发布新模型，都叫Flash，都是原生多模态，都当夜开放了权重。
智谱这边是GLM-5.3-Flash：320B总参数、18B激活、1M上下文、MIT协议开源，它就是上周在OpenRouter匿名登顶、被中文社区叫作"牛来"（Ox Alpha）的那个神秘模型。微博阿里这边是Qwen3.8-Flash：125B主模型加51B N-gram Embedding的多模态MoE，每token只激活6B，API定价输入1元、输出3元每百万token，同时开源了Qwen3.8-Flash-Next的预览版权重。知乎
上面这张榜单截图，就是"牛来"匿名期的战绩：OpenRouter调用量23.2万亿token排第一，第二名DeepSeek V4 Flash是11.6万亿。知乎也正因为这波热度，揭晓之后社区里最响的声音不是争论跑分，而是一个更现实的问题。
评论区最热的不是跑分，是"我的机器能跑吗"
权重一开源，自部署党的第一反应是往自己机器上拉。预热其实早一天就开始了：发布前，B站就有标题写着"176B模型只激活6B，个人电脑就能跑"的视频，播放量三千多。哔哩哔哩发布之后，首批实测视频的评论区迅速被这类提问填满。
“5090，96G内存有希望吗？”“我主要想看看22-32G显存，跑125B-A6B什么效果。”"搞了一晚上，华硕GX10 128G，NVFP4跑不起来。"这是评论区里几条最有代表性的真实提问。哔哩哔哩
最大的误区：激活6B，不等于6B显存能跑
MoE模型的"激活参数少"，省的是算力，不是内存。每次推理确实只有6B或18B参数参与计算，这是它推理快、API便宜的原因；但决定把任务派给哪6B专家之前，全部专家的权重都得先完整加载。从千问放出的架构图能看得很清楚：MoE专家模块密密麻麻叠在GDN加稀疏注意力的混合层里，一层都少不了。
所以两款模型真正要本地拉下来的权重，是下面这些数字：
Qwen3.8-Flash-Next：125B主权重加51B N-gram Embedding。官方文档说后者是确定性寻址，可以放进主机内存、不长期占用显存。知乎实测视频的评论区里，UP主也确认N-gram Embedding已经卸载到了内存。哔哩哔哩但125B主权重仍然要老老实实进显存，按NVFP4量化算，光权重就要60GB往上。下面这张官方参数表里，"总参数125B"和"激活参数6B"的差距一目了然。
GLM-5.3-Flash：总参数320B，还要再大一个量级，就算量化到4bit，权重也在160GB上下。
所以实测视频标题里的"内存斩杀线"不是标题党：第一份Qwen3.8-Flash-Next的NVFP4单卡部署实测，结论就是内存128G起，跑起来之后单流生成大约110 token/s。哔哩哔哩而且注意，128G只是"能跑起来"。那位5090加96G内存的哥们得到的回复是"暂时没有希望，除非权重能放SSD里读取，但速度估计不会快"，他最后的自嘲反而成了评论区最实用的建议：“我这也是这个配置，27B玩玩吧，也不差。”
GLM-5.3-Flash的本地路子：有了，但还没走通
社区动作足够快：KTransformers当夜就宣布适配GLM-5.3-Flash。知乎这个框架主打CPU加GPU混合推理，给显存不够的机器留了条路；服务端推理框架SGLang也是Day 0支持。小红书但截至目前，消费级硬件上跑通的现成参数还没出现，GGUF这类主流量化版本也还没放出。
另外说句实话：智谱官方口径里，这次模型的全部公测流量都跑在国产加速芯片集群上，团队基于SGLang做了专用推理引擎，优化后端到端性能是初始基线的3倍。知乎这句话翻译过来就是，GLM-5.3-Flash现阶段是一朵为云端深度优化过的模型，本地跑，得等社区把路蹚出来。
对照一下自己的硬件，不想折腾就看价格
你的配置 | Qwen3.8-Flash-Next（125B+51B） | GLM-5.3-Flash（320B） | 更现实的选择 |
|---|---|---|---|
32G显存以内消费卡 | 跑不了 | 跑不了 | Qwen3.8-27B 4bit，方案已成熟 |
128G统一内存小型机或Mac | NVFP4能启动，要调配置 | 跑不了 | 同上，或租云GPU |
256G以上统一内存或多卡 | 可以跑 | 等量化版 | 适合1M长上下文场景 |
不想碰硬件 | API输入1元/输出3元 | 限时0.4元/1.4元 | 免费体验渠道见下文 |
API这边是真的便宜。智谱官方定价页已经挂出GLM-5.3-Flash的限时价：输入0.4元、输出1.4元每百万token，缓存命中0.115元，原价0.8元和2.8元就标在上面。知乎
Qwen3.8-Flash是输入1元、输出3元，千问官方的说法是价格最低到DeepSeek-V4-Flash的三分之一。知乎B站有位UP主做了真金白银的同任务实测：Qwen3.8-Flash比GLM-5.3-Flash便宜约2.78倍、快约1.96倍。哔哩哔哩注意，这是社区实测，两家官方跑分用的评测集并不相同，没法直接对比，这组数字当参考就好。
另外两条免费路子。智谱的GLM Coding Plan每天限量发一万张体验卡。知乎Qwen3.8-Flash当晚首发上线了千问办公，可以先免费摸一摸多模态的实际手感。知乎
三个坑，一人一句
第一，别混淆两种"开源"。千问开源的是Qwen3.8-Flash-Next架构预览权重，官方说法是Qwen4系列的雏形；带1M上下文和内置工具的生产版Qwen3.8-Flash，只提供API。知乎智谱的GLM-5.3-Flash是全量权重MIT开源。今晚想拉权重，只有这两个可拉。
第二，跑分记得打折。一边说追平Opus 4.8，一边说超越Opus 4.6。微博知乎但两家挑的题不一样。社区已经有人在较真：评测集都不同，根本没法比，厂商挑对自己有利的题考，最后吃亏的是信了"高分低能"的用户。微博
第三，GLM-5.3-Flash的KV缓存比Kimi K3和DeepSeek-V4-Flash略高，智谱官方自己承认了这一点，说是下一步优化方向。知乎本地部署长上下文场景，内存预算要再多留一截。
值得盯的三个信号
一，GGUF等社区量化版。目前两款都没有，出来的那天，才是消费级硬件真正开始入场的时候。
二，KTransformers对GLM-5.3-Flash的适配参数。CPU加GPU混合推理能不能把320B拉进128G内存档，是"牛来"最可能的本地化路径。
三，GLM-5.3完整版。社区已经在讨论"743B谁部署得起"，答案大概率不是消费级硬件，别抱什么希望。知乎
最后一句话给三种人：想现在就本地玩的，别等这两款，Qwen3.8-27B是眼下唯一现实的票；想试多模态能力的，今晚的API价格已经便宜到可以随便造，先把免费额度薅了；想等自部署成熟再上车的，盯紧量化版和混合推理框架，别提前买硬件。
今晚真正贵的不是模型，是"Flash"这个词给人的小模型错觉。
