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。
🔗 阅读原文 via AIHOT · https://aihot.virxact.com/items/cmta2veap03nmrolwxllvp4ay
ข่าว AI / 行业动态
Back to AI news
Qwen3.8-Flash-Next เปิดโค้ดต้นฉบับ: การพรีวิวสถาปัตยกรรม Qwen4 รุ่นแรก
Qwen3.8-Flash-Next ของ Tongyi Qianwen เป็นโมเดล MoE หลายรูปแบบ นอกจากนี้ยังเป็นภาพตัวอย่างแรกของสถาปัตยกรรม Qwen4 โมเดลนี้ใช้การอัปเกรดสี่อย่างรวมถึง GDN +...
สรุปข่าวกรอง AI วันนี้
Qwen3.8-Flash-Next ของ Tongyi Qianwen เป็นโมเดล MoE หลายรูปแบบ
นอกจากนี้ยังเป็นภาพตัวอย่างแรกของสถาปัตยกรรม Qwen4 โมเดลนี้ใช้การอัปเกรดสี่อย่างรวมถึง GDN + QSA attention ผสม จำนวนพารามิเตอร์ทั้งหมด 125B ต่อ token เปิดใช้งาน 6B ค่าฝึกประมาณ 1/9 ของ Qwen3.7-Plus ความสามารถในการเข้ารหัสและงานสำนักงานก็แข็งแรงขึ้น 🔗 อ่านต้นฉบับ via AIHOT · https://aihot.virxact.com/items/cmta2veap03nmrolwxllvp4ay
资讯正文 · AI 整理
情报判断
Aioga 编辑摘要
通义千问开源 Qwen3.8-Flash-Next，并将其定位为多模态 MoE 模型及 Qwen4 架构的早期预览。材料称，该模型总参数为 125B，每 token 激活 6B。
背景分析
公开材料介绍，Qwen3.8-Flash-Next 采用 GDN 与 QSA 混合注意力等四项升级，训练成本约为 Qwen3.7-Plus 的九分之一，并强调编码与办公任务能力更强。
Aioga 观点
Aioga 判断，这次发布的核心信号是架构预览与模型开源同时推进。材料对能力提升作出概括，但未提供具体评测数据，因此不宜据此断言其全面领先。
影响与后续
值得关注的是，125B 总参数与每 token 激活 6B 的组合，显示该模型在参数规模和单 token 激活量之间进行了取舍。其实际效率与任务表现仍需结合公开测试进一步核验。 建议持续核对 Qwen 官方后续材料，重点关注四项架构升级的完整说明、编码与办公任务的评测方法及结果，以及训练成本口径，避免仅依据摘要判断模型价值。
Source and Copyright
当前抓取源提供的是标题、摘要、来源和原文入口，不直接搬运完整原文。完整报道请通过下方原文链接前往来源站点查看。
抓取通道: REST API · 原始域名: qwen.ai
แหล่งที่มา: Qwen：Blog Retrieval（API
原文链接: เปิดแหล่งต้นฉบับ
Aioga 归档: 查看情报页
Content record: summary-fallback · Updated: 2026-08-26T12:30:00.000Z
API RELAY · DEVELOPER INFRASTRUCTURE
API 中转站
统一接入主流 AI 模型 API，为开发、测试与生产环境提供稳定调用入口。
立即访问 api.w173.com
Scan to open this article