8月26日，阿里 Qwen 团队发布 Qwen3.8-Flash-Next——官方明确定位为”Qwen4 架构的预览版”（A Preview of the Qwen4 Architecture）。它在 HuggingFace 与 ModelScope 以倒计时形式预告，发布当天冲上 HN 热榜第三（600 分、195 评论）。
一句话定位：超稀疏 MoE + 多模态
Qwen3.8-Flash-Next 是 125B 总参数、每 token 仅激活 6B 的超稀疏混合专家模型（另有 51B N-gram 嵌入表），支持文本与图像输入，上下文 26 万 token。官方称其训练成本约为 Qwen3.7-Plus 的九分之一，能力持平且在编码与协作场景更优——”更少的钱，更强的模型”。
技术分析：四个为 Qwen4 铺路的创新
这份预览真正的价值在架构实验：一是混合注意力 QSA（Qwen Sparse Attention），将 Gated DeltaNet 与门控注意力重构为微块级稀疏注意力，显著降低长上下文延迟——Agent 工作负载越来越吃长上下文，这是关键增益；二是门控残差（Gated Residual），通过数据相关的读门与逐分支标量写门调制残差流，在保持训练稳定的同时提升表达能力；三是 N-gram 嵌入，用短 n-gram 索引做参数扩展，比 MoE 更省计算、更适合显存受限设备卸载；四是定制训练配方，按权重类别分配 Muon 与 AdamW 优化器，并依据重拟合的缩放定律精简 batch 规模。Unsloth 联合创始人 Daniel Han 在发布前夜即预告 day-zero 支持。
社区反响：本地玩家的狂欢与”刷屏疲劳”
评论区两极：本地 LLM 玩家兴奋不已——”这么小的 MoE 能跑出这样的基准，相当惊人”，AMD 与 Apple 平台用户表示”比任何博客文章都更影响我们接下来一个月的工作”，还有人盘算着在 6×L4 上跑 vLLM、或是为 Strix Halo 装机。另一边则是对”Qwen 天天刷屏”的吐槽：”我们真的需要每天看到一条 Qwen 的 breaking news 吗？”立刻有人回怼：”那些天天上新闻的政客和名人毫无建树，Qwen 的进步至少实打实。”
观察
Qwen 保持约两周发布一个新模型的节奏，用”架构预览”把下一代技术提前交给社区检验。Flash-Next 的 1/9 成本曲线如果延续到 Qwen4 正式版，开源模型的性价比竞争将进入新阶段——而 6B 激活参数就能打平 3.7-Plus 的事实，也在提醒我们：参数规模的故事，正在被架构效率改写。
原文：Qwen3.8-Flash-Next（另见 HuggingFace 模型卡）
HN 讨论：news.ycombinator.com/item?id=49448210