阿里巴巴发布 Qwen3.8-Flash-Next，主打极致成本效率

阿里巴巴 Qwen 团队发布了 Qwen3.8-Flash-Next 模型预览，该模型基于 Qwen4 架构，采用混合专家设计，每个 token 仅激活 1250 亿参数中的 6 个。其训练成本降至九分之一，但在编码和办公基准上优于 DeepSeek-V4-Flash 和 Claude Opus 4.6 等更大模型，给 OpenAI 和 Anthropic 带来定价压力。

此前大模型性能提升通常伴随高训练和推理成本。该模型以极低的激活参数量和九分之一训练成本实现超越更大竞品的性能，可能改变行业对成本与性能权衡的认知，加剧价格竞争，尤其对 OpenAI 和 Anthropic 形成压力。

通过混合专家（MoE）架构，模型总参数达 1250 亿，但每个 token 仅激活 6 个专家（参数），从而大幅降低推理计算量。同时，训练成本的降低可能源于更高效的训练方法或架构优化，使得模型能以更少资源达到更高性能，进而影响定价策略。

对依赖大模型 API 的产品团队，该模型可能提供更低成本的替代方案，从而减少推理费用。对研发团队，需评估模型在自身业务场景的编码和办公任务上的实际表现，并考虑切换或集成。对整体市场，成本下降可能促使更多应用采用大模型。

• 评估将 Qwen3.8-Flash-Next 集成到现有产品，以显著降低推理成本。
• 在其低成本基础上，开发面向中小企业的办公或编码工具。
• 利用其性能优势，构建对成本敏感的大规模 AI 应用。

• 该模型的具体开源许可证和商用条款尚未明确。
• 推理成本的具体数值和部署要求未提供。
• 基准测试的具体范围和评测方法未详述。
• 与其他模型的对比是否经过独立验证。