Qwen3.8-Flash-Next：架构革新，成本骤降
Qwen3.8-Flash-Next: A New Architecture, Towards Ultimate Cost-Efficiency
Qwen3.8-Flash-Next 正式发布，作为 Qwen4 架构的早期预览，它通过 Gated DeltaNet 与 Qwen Sparse Attention 的混合设计，在保持 125B 参数规模的同时，仅激活 6B 参数。该模型在训练成本上相比 Qwen3.7-Plus 降低了约 9 倍，却在编程和办公任务中展现出更强的能力。原生支持 262K 上下文，并可扩展至 100 万 token。从 Gated Residual 到 N-gram Embedding，四大维度的升级让其在 DeepSWE 和 CoWorkBench 等基准测试中表现优异，真正实现了向极致成本效率的迈进。
GDN 高效地“记住”历史，而 QSA 则精准地“检索”信息。
HN 评论区
231- lnenad
准备把它加到我的 homelab 堆栈里，希望它别像那个小模型那样想得太多。其实，我更希望它少想一点。等等，我其实真心祈祷它能更直接地进行推理。不过话说回来，我相当确定它肯定会强那么一点点。
- simonw
我在 DGX Spark 上用 Unsloth 的 unsloth/Qwen3.8-Flash-Next-GGUF (UD-IQ1_S) 跑了四个不同推理级别（none, low, medium, xhigh——看来 high 和 xhigh 是别名）的 pelicans 测试：
https://tools.simonwillison.net/markdown-svg-renderer#url=ht...
挺惊讶的，没找到一个像 Qwen 3.8 27B 那么让我满意的版本 https://simonwillison.net/2026/Aug/16/qwen-38-27b/#the-defau... ，可能是因为量化导致的。
- rohansood15
没想到它能这么干净利落地超越 3.8 27B。
Opus 4.6 Max 在 2026 年 8 月于 5k Macbook 上自托管，速度 30 tok/s。大模型的演进时间线简直疯狂。
- andy99
> Qwen3.8-Flash-Next 拥有一个 125B 参数的主模型，辅以额外的 51B N-gram 嵌入，每个 token 激活 6B 参数。
这点还没人提过。我好奇这对有效参数量意味着什么。显然总参数量约为 176B，但这该怎么量化呢？4-bit 量化后不到 100GB 似乎不太可能，我怀疑它跑不了 128GB 统一内存。
原则上我挺喜欢这种用更多内存换取算力的思路，哪怕现在内存还比较紧缺。
- schopra909
有人能解释一下 en-gram 这个想法背后的直觉吗？我知道 DeepSeek 几个月前发过一篇相关论文，Gemma 模型也有个轻量版；但我还没完全搞明白。
- tosh
这是个新架构（预示着 Qwen 4 的到来）
> 训练成本仅为 Qwen3.7-Plus 的 1/9，却在各方面全面超越它
- a_humean
正在等 llama.cpp 的支持落地，但这对于 Strix Halo 用户来说可能是个大新闻。
6B 激活参数有助于缓解内存带宽限制，但 128GB 的机器应该能相当轻松地运行 Q3/Q4 量化版本，并支持不错的上下文长度。这对 Strix 用户来说可能比 27B 更好，毕竟 27B 已经非常优秀了。
- pram
Unsloth Desktop 里已经有了。看起来是 73GB，所以 128GB 的 Mac 或 Strix Halo 之类的设备都能跑。太令人兴奋了！