Qwen3.8-Flash 上线千问AI平台:全新架构,迈向极致性价比

简介: Qwen3.8-Flash 现已上线千问AI平台,默认提供 100 万 token 上下文并内置官方工具,每 token 仅激活 6B 参数,适合高并发应用、工具驱动的工作流以及编程与协同办公助手。

2026-08-26模型发布

Qwen3.8-Flash 上线千问AI平台:全新架构,迈向极致性价比

一、概览

Qwen3.8-Flash 现已上线千问AI平台,模型名称为 qwen3.8-flash,可直接通过 API 调用。它默认提供 1,000,000 token 上下文并内置官方工具,在能力、延迟和成本之间取得了较好的平衡,适用于高并发应用、工具驱动的工作流,以及编程与协同办公助手。

该模型的主模型参数量为 125B,额外配备 51B 的 N-gram Embedding,每 token 激活 6B 参数。相比于 Qwen3.7-Plus,其训练开销仅约为前者的 1/9,同时在编码和办公任务上具有更强的能力。

模型所采用的新架构以 Qwen3.8-Flash-Next 的形式同步发布开源权重,作为 Qwen4 所用模型结构的先导预览,围绕 Attention、Residual、Embedding 和 Optimization 四个方面对模型做了系统升级。完整技术介绍见 Qwen3.8-Flash-Next:全新架构,迈向极致性价比。

Qwen3.8-Flash 正式发布

二、模型详情

Qwen3.8-Flash:面向高并发与智能体场景的高性价比模型

Qwen3.8-Flash 是 Qwen3.8-Flash-Next 架构的生产版本,在千问AI平台上以 1M 上下文与内置官方工具的形态提供服务。它同时支持文本与图像输入,具备思考模式与可调的推理强度,可直接用于长文档处理、多轮工具调用和跨应用的智能体任务。

极致稀疏的 MoE 设计让它在保持较大专家池的同时,每 token 只路由少量专家,因此在高并发场景下仍能维持较低的调用成本与延迟;GDN 与 QSA 组合的注意力结构则让它在长上下文下的吞吐随上下文增长仍保持优势。

模型详情:Qwen3.8-Flash

三、核心参数

项目 取值
模型名称 qwen3.8-flash
上下文长度 1,000,000 token(默认)
输入模态 文本、图像
输出模态 文本
思考模式 支持,通过 enable_thinking 开启
推理强度 reasoning_effort 支持 xhigh、medium、low
接口协议 兼容 OpenAI 的 Chat Completions 与 Responses API,以及兼容 Anthropic 的接口
工具调用 支持并行工具调用,内置官方工具

最新的参数与调用限制以模型详情页为准。

四、模型能力与评测

以下评测结果为 Qwen3.8-Flash-Next 的公开评测数据,千问AI平台提供的 Qwen3.8-Flash 与其同源。完整评测设置与脚注见 Qwen3.8-Flash-Next 技术介绍。

编程与智能体任务

在智能体编程、仓库级代码生成、长周期办公与真实工具使用等任务上,模型在多项基准上取得了同规模激活参数下的领先结果,其中 DeepSWE 1.1、SWE-bench Pro、SWE-bench Multilingual、CoWorkBench、JobBench 与 Toolathlon Verified 均优于 Qwen3.7-Plus。

任务 Qwen3.8-Flash-Next Qwen3.8-27B Qwen3.7-Plus DeepSeek-V4-Flash-0731 Claude-Opus-4.6 (Max)
智能体编程 DeepSWE 1.1 58.7 42.2 16.5 54.4 --
智能体编程 SWE-bench Pro 62.5 61.7 55.8 56.0 53.4
多语言软件工程 SWE-bench Multilingual 81.0 73.8 75.8 -- 77.5
仓库级代码生成 NL2Repo-Bench 48.1 42.3 41.1 54.2 47.6
长周期办公 CoWorkBench 73.9 70.7 65.1 45.1 68.2
专业岗位任务 JobBench 55.7 33.4 27.6 41.3 36.6
前沿智能体任务 Agents' Last Exam Pass@1 24.3 / Score 51.2 Pass@1 20.4 / Score 42.9 Pass@1 13.2 / Score 33.6 Pass@1 25.2 / Score -- --
真实工具使用 Toolathlon Verified (Pass@1) 73.5 67.1 50.6 70.3 --
指令遵循 IFBench 81.3 79.5 79.1 79.2 62.5
科学推理 GPQA Diamond 91.7 89.2 90.3 90.8 91.3
跨学科推理 HLE 35.9 30.8 34.7 33.8 40.0
竞赛编程 LiveCodeBench v6 91.9 90.3 89.6 90.6 88.8

DeepSWE 1.1、SWE-bench Pro、SWE-bench Multilingual 使用 Claude Code 与 mini-SWE-agent 评测框架,temp=1.0、top_p=0.95、上下文窗口 256K;CoWorkBench 为内部长周期办公与生产力智能体基准;HLE 由 GPT-4o 评判;空白单元格(--)表示分数尚不可用或不适用。

多模态理解与界面操作

在多模态工具使用、应用复现、移动端与桌面操作、视觉网页开发等任务上,模型相比 Qwen3.7-Plus 有明显提升,尤其在 OSWorld 2.0 与 Vision2Web 上差距较大。

任务 Qwen3.8-Flash-Next Qwen3.8-27B Qwen3.7-Plus Claude-Opus-4.6 (Max)
多模态工具使用 ClawEval-MM Pass@3 64.4 / 均分 60.4 Pass@3 57.4 / 均分 56.9 Pass@3 57.4 / 均分 60.1 Pass@3 52.5 / 均分 54.7
应用复现 RecreationBench 49.9 47.1 30.2 --
移动端操作 AndroidWorld 84.5 81.9 81.0 62.0
桌面操作 OSWorld 2.0 Binary 19.4 / Partial 52.3 Binary 19.4 / Partial 48.0 Binary 2.8 / Partial 21.5 --
视觉网页开发 Vision2Web 64.0 62.9 42.1 --
具身智能 ERQA 72.3 65.5 69.8 40.8
长视频理解 LVBench 76.6 72.4 76.2 63.0
真实世界感知 RealWorldQA 88.5 85.9 86.9 73.9
视觉数学 MathVision 不含 CI 90.6 / 含 CI 95.7 不含 CI 90.0 / 含 CI 94.6 不含 CI 90.3 / 含 CI 88.7 不含 CI 65.5
科学图表分析 CharXiv (RQ) 不含 CI 84.6 / 含 CI 90.6 不含 CI 83.7 / 含 CI 90.2 不含 CI 85.8 / 含 CI 85.9 不含 CI 66.0

ClawEval-MM 以「pass@3 / 平均分」给出;OSWorld 2.0 以「binary / partial」给出;Vision2Web 取 frontend、webpage 与 website 三类平均;MathVision 与 CharXiv (RQ) 以「不含 CI / 含 CI」给出;空白单元格(--)表示分数尚不可用或不适用。

在 6B 激活参数下,其 Base 模型在 14 个预训练基准中的 8 个上取得最优结果,包括 MMLU-Pro、SuperGPQA、BBH、SWEBench-Pretrain、MGSM 与 MMMLU。

五、架构升级

Qwen3.8-Flash-Next 模型结构

Attention:GDN + QSA,高效记忆与精准检索

模型采用 Gated DeltaNet(GDN)与全局 Attention 的 Hybrid 架构:每四层中三层使用 GDN,将历史信息持续压缩到固定大小的状态中;另一层保留全局 Attention,负责精确检索全局信息。

全局 Attention 进一步引入 Qwen Sparse Attention(QSA)。轻量 indexer 先把序列聚合成 micro-block,在 block 粒度上估计上下文重要性,再选出最相关的区域执行 Attention,既减少了实际 Attention 的计算量,也显著降低了「寻找重要上下文」本身的 indexing 成本。可以简单理解为:GDN 负责高效「记住」,QSA 负责精准「查找」。

QSA 结构示意

在 1M token 上,QSA 的 Attention Kernel 在 Prefill 和 Decode 阶段分别实现最高 7.6× 和 4.9× 的加速;在 90% Cache 命中率下,相对 Prefill 吞吐随上下文长度增长显著提升,在 1M context 下达到 Qwen3.7-Plus 的 8.6×。

相对 Prefill 吞吐随上下文长度的变化

Gated Residual:给信息更多传递路径

Gated Residual(GR)把原本单一的 residual stream 扩展成 4 条并行分支,模型可以根据当前内容动态决定从不同分支读取多少信息、向不同分支写入多少信息。相当于把一条信息通道扩展成多条车道:有些分支负责局部信息传递,有些则可以把早期信息直接保留到很深的网络层。归一化后的 Gate 同时能够抑制 activation outlier、提升训练稳定性,Residual State 还支持使用 FP8 存储以降低访存开销。

N-gram Embedding:低成本扩展模型容量

普通 Embedding 根据单个 token 查表,N-gram Embedding 则结合当前 token 与前几个 token 组成的局部上下文进行查表,为常见短语和局部模式提供额外表示,可以在几乎不增加每 token 计算量的前提下增加大量参数。模型额外引入了 51B N-gram Embedding 参数;由于查询位置可以提前确定,这些参数可以存放在 Host Memory 中,通过异步 Prefetch 与模型计算重叠,无需长期占用 GPU 显存。

Optimization:架构与优化协同设计

模型使用 Muon Optimizer 训练,并围绕正交化精度、Muon 与 AdamW 的参数分工,以及融合参数矩阵的拆分做了针对性优化:Attention、GDN 和 MoE Expert 中的主要权重使用 Muon,Embedding、MoE Router、GR 低秩参数等继续使用 AdamW;工程实现中融合存储的 QKV、SwiGLU 和 GDN Projection 先按实际对应的独立线性变换拆分,再分别执行正交化。针对新架构重新拟合 Scaling Law 后,模型可以稳定使用更大的 Learning Rate 和 Batch Size。

六、开发接入

API 调用

千问AI平台支持行业标准协议,包括兼容 OpenAI 的 Chat Completions 和 Responses API,以及兼容 Anthropic 的接口。API Key 可在千问AI平台获取。

01"""

02Environment variables:

03  DASHSCOPE\_API\_KEY: Your API Key from https://platform.qianwenai.com/home

04  DASHSCOPE\_BASE\_URL: (optional) Base URL for compatible-mode API.

05    - Beijing: https://dashscope.aliyuncs.com/compatible-mode/v1

06"""

07from openai import OpenAI

08import os

09

10api\_key \= os.environ.get("DASHSCOPE\_API\_KEY")

11if not api\_key:

12    raise ValueError(

13        "DASHSCOPE\_API\_KEY is required. "

14        "Set it via: export DASHSCOPE\_API\_KEY='your-api-key'"

15    )

16

17client \= OpenAI(

18    api\_key\=api\_key,

19    base\_url\=os.environ.get(

20        "DASHSCOPE\_BASE\_URL",

21        "https://dashscope.aliyuncs.com/compatible-mode/v1",

22    ),

23)

24

25messages \= \[{
   "role": "user", "content": "Write a Python function to merge two sorted linked lists."}\]

26

27completion \= client.chat.completions.create(

28    model\="qwen3.8-flash",

29    messages\=messages,

30    extra\_body\={
   

31        "enable\_thinking": True,

32    },

33    reasoning\_effort\="xhigh",  \# supported levels are xhigh, medium, and low

34    stream\=True,

35)

36

37for chunk in completion:

38    if not chunk.choices:

39        continue

40    delta \= chunk.choices\[0\].delta

41    if getattr(delta, "reasoning\_content", None):

42        print(delta.reasoning\_content, end\="", flush\=True)

43    if getattr(delta, "content", None):

44        print(delta.content, end\="", flush\=True)

智能体框架与编程助手

Qwen3.8-Flash 可直接接入主流智能体框架与编程助手。

Claude Code:千问AI平台支持 Anthropic API 协议,可直接配合 Claude Code 使用。

01npm install -g @anthropic-ai/claude-code

02

03export ANTHROPIC\_MODEL="qwen3.8-flash"

04export ANTHROPIC\_SMALL\_FAST\_MODEL="qwen3.8-flash"

05export ANTHROPIC\_BASE\_URL=https://dashscope.aliyuncs.com/apps/anthropic

06export ANTHROPIC\_AUTH\_TOKEN=<your\_api\_key>

07

08claude

Codex:千问AI平台支持 OpenAI Responses 协议。在 ~/.codex/config.toml 中把 base_url 指向 https://dashscope.aliyuncs.com/compatible-mode/v1、wire_api 设为 responses,并在 ~/.codex/model-catalog.local.json 中将 qwen3.8-flash 的 context_window 配置为 1000000,即可开始使用。

01npm install -g @openai/codex

02

03export OPENAI\_API\_KEY=<your\_api\_key>

04

05codex

**Qoder CLI**:[Qoder](https://qoder.com/) 与 Qwen 协同演进,专为智能体编程打造。

01curl -fsSL https://qoder.com/install | bash

02

03qoder

**Qwen Code**:[Qwen Code](https://qwen.ai/qwencode) 针对 Qwen 系列模型做了深度优化。

01npm install -g @qwen-code/qwen-code@latest

02

03qwen

OpenClaw:通过千问AI平台连接 OpenClaw,完整配置见开发者文档。

01curl -fsSL https://openclaw.ai/install.sh | bash

02

03export DASHSCOPE\_API\_KEY=<your\_api\_key>

04

05openclaw dashboard

七、立即体验

相关文章
|
2月前
|
人工智能 算法 安全
Qwen3.8抢先体验!正式版即将发布并开源!
Qwen3.8是阿里通义实验室发布的开源大模型,实现架构重构(动态MoE+Sparse-Tiled Attention)、推理升级(CoT++自我验证闭环)、原生多模态(UMT统一嵌入)及全栈开源,推动AI向高能效、强自主、全模态演进。(239字)
1179 2
|
2月前
|
缓存 人工智能 自然语言处理
阿里云qwen3.8-flash最全介绍:模型能力、适用场景、使用教程与最新活动参考
本文介绍了通义千问Qwen3.8-Flash这款兼顾性能与速度的多模态大模型,它拥有百万级上下文窗口,原生支持图文视频多模态输入,在长文档处理、编程辅助、高并发应用场景表现突出。文章覆盖五大地域部署差异、最新下调后的Token计费标准、两种接入方式与限流规则,叠加新用户免费额度、夜间4折等活动,是企业与开发者平衡效果与成本的高性价比选型。
|
2月前
|
缓存 人工智能 安全
阿里云qwen3.8-max、qwen3.8-flash与qwen3.7-max、qwen3.7-flash模型选择指南:模型能力与价格对比及最新活动
本文全面解析和对比阿里云通义千问在售四款核心模型,覆盖qwen3.8-max、qwen3.8-flash、qwen3.7-max、qwen3.7-flash,从基础能力、适用场景、价格体系、限时活动、选型指南及新人免费额度多维度对比,给出分层调度策略,帮助开发者精准匹配业务需求,兼顾效果与调用成本。
|
2月前
|
缓存 人工智能 自然语言处理
阿里云Qwen3.8-Flash模型最新介绍:百万级多模态上下文,高并发生产级落地选型指南
本文全面拆解阿里云Qwen3.8-Flash多模态大模型:其依托MOE架构实现旗舰级能力与低时延平衡,搭载百万级上下文窗口,覆盖编程辅助、智能体搭建、多模态解析全场景,兼容OpenAI与Anthropic双协议。内容同步梳理多地域部署合规方案、缓存半价等极致优惠定价,附多语言可复用API示例,是开发者与企业高并发AI落地的高性价比选型指南。
|
2月前
|
人工智能 运维 IDE
个人开发者AI编码利器,Qoder CN免费社区版详解,额度省钱技巧与典型落地场景
AI赋能研发已经成为软件开发领域的主流趋势,AI编码助手可以极大降低重复编码工作量,提升学习与开发效率。但市面上大量高质量AI编程工具普遍采用订阅付费模式,对于编程学生、业余爱好者、初级开发者来说,长期订阅会带来不小的经济负担,抬高了AI编程的入门门槛。为了普惠广大基层开发群体,降低AI编程落地门槛,原通义灵码完成品牌迭代升级,正式更名为Qoder CN,并且推出永久可用的免费社区版本。该版本配套独立Credits额度体系,普通用户不需要付费订阅,就可以使用专业级AI编码智能体能力,覆盖代码学习、脚本编写、小型项目开发、代码调试等轻量化开发场景。
542 0
|
2月前
|
缓存 人工智能 API
Qwen3.8‑Flash完整能力解析:模型特性、API调用实操与计费规则深度拆解与成本避坑指南
Qwen3.8‑Flash依托全新MoE混合专家架构,激活参数量低,兼顾百万级上下文、原生多模态能力、稳定Agent工具调用,搭配云端缓存计费机制,在长会话、代码智能体、文档解析场景拥有突出的性价比。但它并不是全能模型,超高难度深度推理任务表现不及同系列旗舰大模型,业务落地需要结合自身业务诉求做综合评估。
929 1
|
2月前
|
缓存 前端开发 API
Qwen3.8-Max 发布解读:2.4万亿总参数、激活950亿,百万上下文与价格拆解
Qwen3.8-Max 于 2026 年 8 月发布:2.4 万亿总参数 MoE、激活约 950 亿,最大支持 100 万上下文,价格与开源计划一并拆解。
1663 0
|
2月前
|
缓存 JSON 自然语言处理
吃透Qwen3.8‑Max/3.7‑Max/3.7‑Plus/Flash系列:能力差异、代码示例与落地选型全流程
随着大模型智能体业务快速落地,越来越多开发者面临同系列多模型选型难题。百炼平台上线的Qwen3.8‑Max、Qwen3.7‑Max、Qwen3.7‑Plus、Qwen3.7‑Flash、Qwen3.8‑Flash五款模型,覆盖复杂深度推理、长周期智能体、多模态GUI操控、高吞吐低成本线上业务等众多场景。不同模型在底层架构、上下文窗口、模态支持、代码编写能力、工具调用稳定性、推理计费成本方面存在显著差异。
843 0
|
2月前
|
缓存 测试技术 API
通义千问Qwen3.8‑Flash多模态MoE模型全解析:百万Token上下文、API实操、计费与场景落地指南
大模型行业已经从简单问答走向真实业务落地,开发者在选型API服务的时候,不再只关注基准测试分数,上下文窗口大小、多模态输入支持、工具调用稳定性、接口兼容性、推理延迟以及Token计费成本,共同决定AI应用能否稳定上线运行。Qwen3.8‑Flash作为通义千问推出的新一代多模态混合专家MoE模型,模型调用ID为`qwen3.8‑flash`,主打百万级超大上下文窗口,原生支持文本、图片、视频多模态输入,输出格式为文本,在编程辅助、智能Agent工作流、超长文档解析、图文视频混合理解场景表现突出,同时兼容OpenAI、Anthropic两套主流接口协议,开发者几乎不用大规模修改原有业务代码,就可
907 2

热门文章

最新文章