阿里Qwen3.8-Max-0902夺编程总榜冠军，每百万Token仅5美元不到对手四分之一

1. #阿里发布Qwen3.8Flash# 看完Qwen3.8‑Flash的发布，最大感受是大模型的竞争逻辑真的变了。过去大家总拼堆参数冲极限性能，代价却是训练、推理成本一路走高，放到智能体多轮调用的真实场景，高额开销很难落地。这次千问没有单纯扩大模型规模，而是从底层架构动手，GDN+QSA混合注意力、残差、嵌入层多处系统性改造，总参数虽高，但每token仅激活6B，训练成本直接压到前代的1/9。同步开源的Qwen3.8‑Flash‑Next，更是Qwen4架构的提前预览，让社区可以提前参与验证新方案。实测层面性能已经超过Opus4.6，逼近Opus4.8。更重要的是它降的不只是调用价格，还有任务整体成本，更少出错重试，同一份算力可以承载更多实际业务。这预示着行业正在转向，不再一味追逐纸面最强模型，而是追求用最低成本交付够用的智能，把算力真正转化成能解决现实问题的能力。

新浪微博 2026-08-27 00:00:00

2. 刚刚，Qwen3.8-Flash震撼发布，我们看到了Qwen4的骨架

微信公众号 2026-08-26 00:00:00

3. 千问AI平台刚刚上线了一个新模型，叫 Qwen3.8-Flash，主打极致性价比。在编程、Agent 这类真实任务里，它的价格低到让人有点意外。输入每百万个 Token 只要 0.8 元，输出 2.7 元，缓存命中更是低到每百万 0.1 元。换算到国际站，输入 0.15 美元，输出 0.47 美元，缓存命中 0.016 美元。那它为什么能这么便宜？关键在模型本身。Qwen3.8-Flash 是一个多模态混合专家（MoE）模型，总参数上千亿，但实际只激活 60 亿，用极少的算力干活，效率直接刷新了业界基准。它的架构和此前所有千问模型都不一样：注意力上用了自研的 QSA 稀疏注意力，和 GDN 组合成混合注意力，大幅降低计算开销，在百万 Token 的高缓存命中长上下文场景里能快 8 倍以上，又准又快；内部通信上引入 Gated Residual 方法，把原来的一条信息主通道拆成四条，让模型按需动态读写，信息传得更高效，训练也更稳定；参数扩展上加了 51B 的 N-gram Embedding 参数，相当于给模型外挂了一本记忆指南手册，几乎不费资源就把参数规模撑大了；调参上结构和后期优化协同进行，收敛效率和训练吞吐都明显提升。这些技术换来的直接好处，就是训练和推理成本大幅下降。API 已经首发上线千问AI平台，开发者可以直接调用 API 或者买 Token Plan。特别适合 Agent 这类场景，因为智能体任务输入特别长，缓存命中价格越低，综合成本越省。千问办公的标准模式现在也内置了 Qwen3.8-Flash，日常办公任务大概能完成 95%。更值得关注的是，这套 Next 新架构是下一代千问大模型 Qwen4 的雏形，相关权重已经在 Hugging Face 和魔搭社区全面开源，交给大家检验。目前 Qwen3.8 系列里，2.4T 参数的 Qwen3.8-Max、27B 和 Flash 三个尺寸都已开源并上线千问AI平台对外提供 API。想体验的话，千问AI平台和 QwenCloud 都能直接打开，链接放在下面。千问AI平台：www.qianwenai.com/models/qwen3.8-flash QwenCloud：www.qwencloud.com/models/qwen3.8-flash#科技先锋官##How I AI##阿里发布Qwen3.8Flash#

新浪微博 2026-08-27 00:00:00

4. #阿里发布Qwen3.8Flash#一款模型真正跑进Agent，成本不能只按一次回答来算。资料检索、内容生成、工具调用、修改排版，一项任务背后可能是几十次调用和数十万Tokens，模型既要能力够用，也要跑得快、跑得稳，价格还得扛得住长期使用。Qwen3.8-Flash只激活6B参数，多项评测超过Opus4.6、接近Opus4.8，训练成本相比Qwen3.7-Plus下降近90%。参数不大，却能承担编程、办公和长程任务，这种单位算力产出，才适合高频工作流。整个Qwen3.8系列，Max负责探索能力上限，27B方便本地部署和开发者二次适配，Flash进入日常办公与规模化业务，Flash-Next则提前把下一代架构交给开源社区验证。四个位置各有分工，也彼此衔接。模型榜单决定技术高度，真实任务决定它能走多远。Qwen3.8-Flash要解决的，就是让足够强的智能真正经得起反复调用。

新浪微博 2026-08-27 00:00:00

5. #阿里发布Qwen3.8Flash# 阿里千问又扔了个炸弹——Qwen3.8-Flash正式发布，同时开源了Qwen3.8-Flash-Next。我看完第一反应是：大模型行业的竞争逻辑，真的变了。 先给大家翻译一下这玩意有多猛。Qwen3.8-Flash是个MoE模型，总参数125B，但每token只激活6B。什么概念？就是用一个小模型的算力消耗，干出了接近旗舰模型的活。 官方数据是：编程、智能体、专业工作、多模态这些评测，完爆Opus 4.6，逼近Opus 4.8。训练成本比上一代Qwen3.7-Plus直接降了90%，推理成本也大幅下降。 整个行业都在往这个方向走——过去大家比的是"谁的模型参数更大、谁的跑分更高"，现在比的是"谁能用更低的成本，交付足够强的智能"。 阿里这波的生态布局。Qwen3.8系列不是单蹦一个模型，而是一套组合拳： - Qwen3.8-Max负责冲高，在复杂推理和编程上冲击SOTA，告诉业界"我们能做到多强"；- Qwen3.8-27B负责铺生态，把高水平能力带到消费级硬件，让开发者能本地部署、二次开发；- Qwen3.8-Flash负责接最大规模的真实使用，办公、编程、Agent、高并发业务，全靠它扛量。 而且这次还开源了Flash-Next，这其实是Qwen4下一代架构的提前预演。把下一代技术路线开放给社区，让开发者提前做框架适配和部署优化，同时收集真实反馈反哺架构演进——这步棋走得很聪明。 还有个细节我很关注：千问办公已经上线了专属版的Qwen3.8-Flash，官方说能完成95%的日常办公任务。这就是"模A一体"的思路——模型团队和应用团队协同优化，不是模型做完扔给应用方就完事了，而是联合调，把Agentic能力拉满。 叠加Qwen全球超30亿下载、30万个衍生模型的底子，这波发布等于同时占住了模型能力、开源生态和商业落地三个位置。 最后说句我的判断：大模型行业正在从"军备竞赛"转向"实用主义"。

新浪微博 2026-08-27 00:00:00

6. 千问办公上线Qwen3.8-Flash，专治Agent“Token焦虑”，量大管饱Agent圈现在最头疼的，不是模型不聪明，是Token烧不起。IDC预测，2026年我国企业级Token消耗量将同比增长约20倍。重度玩家一天干掉10亿Token，耗费数千美元。而且，同一个任务，Agent工作流的Token消耗是聊天机器人的5到30倍。用AI用出了理财的感觉，打开任务还要先算成本，大伤脑筋。昨晚阿里放出Qwen3.8-Flash，千问办公第一时间接入，同步上线标准模式，模型的Token生成速度提升100%，Token消耗减少75%。先说一下这模型：千亿总参数，仅激活60亿，官方口径性能超越Claude Opus4.6；每百万Tokens输入0.8元，输出2.7元，不到Claude Opus4.6的1/40，比DeepSeek-V4-Flash忙时价格的1/3还低。#景甜下沉市场口碑#

新浪微博 2026-08-28 00:00:00

7. #阿里发布Qwen3.8Flash# 阿里昨晚扔了个炸弹，Qwen3.8-Flash，直接把大模型价格打到了地板价。但这不是单纯降价，是底层架构的革命。1250亿参数的MoE模型，每次只激活60亿，靠Qwen4的下一代架构硬生生把训练成本砍了90%。每百万token输入0.8块钱、输出2.7块钱，是Claude Opus4.6的不到3%，DeepSeek-V4-Flash的三分之一。性能呢？完爆Opus4.6，接近Opus4.8。编程评测领先9分，手机操作任务高出22分，视觉数学超25分。注意，这是用九分之一的钱训出来的。特别值得一提的是，在真实任务中，Agent工作需长输入（Input），缓存命中价格对综合成本影响大，Qwen3.8-Flash缓存命中价格低至每百万Tokens 0.1元、国际站0.016美元，特别适合大量、频繁的日常智能体任务，开发者可以极致性价比获取前沿性能。阿里走了一条新路，不卷参数规模了，卷单位算力能承载多少智能。以前是堆GPU堆数据硬刚，现在是从Attention到Embedding全部重做，让每一分算力都转化成有效智能。Qwen3.8-Flash-Next已经开源了，这是Qwen4架构的预览版，智能不一定要那么贵，效率才是下一站。

新浪微博 2026-08-27 00:00:00

8. #阿里发布Qwen3.8Flash#据我这个半路出家的文科生了解到，该模型采用下一代 Qwen4 架构，总参数 125B，每 token 仅激活 6B，却实现了超越 Claude Opus4.6 的前沿性能，创下模型效率全球新基准。架构上，Qwen3.8-Flash 带来四大革新：引入 QSA 稀疏注意力机制，1M 长上下文场景提速超 8 倍；自研 Gated Residual 将信息通道拓展为 4 条并行分支；外挂 51B N-gram Embedding 高效扩展模型容量；配合全新优化器大幅提升训练吞吐。成本方面更是惊人——训练成本较上代骤降近 90%，推理定价每百万 Tokens 输入仅 1 元、输出 3 元，仅为 DeepSeek-V4-Flash 的 1/3。模型已同步在 Hugging Face 与魔搭社区开源，并首发上线“千问办公”，开发者可通过千问 AI 平台获取 API 服务。

新浪微博 2026-08-26 00:00:00

9. AI时代，还是不能用以前的思维来看待行业发展。之前聊大模型，网友的固有印象都是，参数越大越牛，性能越强越贵，想用好模型就得花大价钱。结果阿里千问刚发的 Qwen3.8-Flash，把这个固有逻辑给干碎了。最夸张的是什么？它只激活6B参数，在编程、智能体、多模态这些实测项目里直接干翻了Opus4.6，性能逼近旗舰级的Opus4.8，结果训练成本比上一代直接降了近90%，推理价格也跟着大幅往下砍。这不是什么降价促销，是从底层架构、训练方法到推理全链路改了，重新算明白了一笔账：怎么用更少的算力，做出接近旗舰模型的能力。而且这次还同步开源了Next版本，相当于把下一代Qwen4的新架构提前放出来给全球开发者检验，不是关起门来自己吹跑分。其实这信号挺明显的，就是AI竞争的风向已经变了，从谁能做出最强的模型，慢慢转向谁能用最低的成本交付够用的智能了。#阿里发布Qwen3.8Flash#

新浪微博 2026-08-27 00:00:00

10. #阿里发布Qwen3.8Flash# 大模型这行，过去比的是谁家参数大。千问这次换了个比法：参数可以小，算力不能白烧。Qwen3.8-Flash，激活 6B 参数。编程、智能体、专业工作、多模态几项评测，把 Opus4.6 打穿，贴着 Opus4.8 的脸。训练成本比 3.7-Plus 砍掉近九成。把 Token 的生产成本重做了一遍：Attention、Residual、Embedding、Optimization 四处架构，同一块 GPU 塞进更多请求，吐出更多 Token。开源版 Flash-Next 是 Qwen4 结构预演，先拿出来给社区验货，跟当年 GatedDeltaNet 给 Qwen3.5 试水一个路数。为啥总成本比单价重要？智能体时代，一次任务几十次调用、几十万 token、工具用了一轮又一轮，失败就得重跑。模型能不能铺开用，看的不是单次报价，是做完一件事要烧多少钱。在真实任务中，Agent工作需长输入（Input），缓存命中价格对综合成本影响大，Qwen3.8-Flash缓存命中价格低至每百万Tokens 0.1元、国际站0.016美元，千问这下真的让Agent量大管饱了。所以这波真正的变化是行业从比谁最强，转到了比谁最划算。找最强的模型，不如找最适合自己那个。千问把 Scaling 押在单位算力上，这大概率也是 Qwen4 的路！

新浪微博 2026-08-27 00:00:00