开源大模型的性价比，又被阿里"砍"了一刀
2026年8月26日晚，阿里千问发布并同步开源 Qwen3.8-Flash，把开源大模型的性价比"斩杀线"又拉低了一截。结论先行：这是一个总参数125B、每token仅激活6B的多模态混合专家（MoE）模型，性能超越 Claude Opus 4.6、逼近 Opus 4.8，而训练成本较上一代 Qwen3.7-Plus 骤降近90%（仅用约1/9资源），API定价低至 DeepSeek-V4-Flash 的1/3、约 Claude Opus 4.6 的3%。对需要长上下文、智能体编程、批量数据处理的企业而言，这意味着此前"算不起"的场景正在变得经济可行。
奇摩在为企业选型大模型时，最常被问到的就是"性能和成本能不能兼得"。Qwen3.8-Flash 的出现给出了一个较有说服力的参照——它并非单纯堆参数，而是用架构换效率，这正是国产开源模型这一轮竞争的主线。
一、Next架构：用稀疏注意力换长上下文速度
Qwen3.8-Flash 采用与过往千问模型完全不同的全新 Next 架构，官方明确这是下一代 Qwen4 的雏形，提前开源交由社区验证。三项关键设计：
- QSA 稀疏注意力：先用轻量索引在微块粒度筛出重要上下文再做注意力，与 GDN 融合后，在1M Tokens 长上下文、缓存命中率高的场景中最高提速8倍以上。
- Gated Residual 门控残差：把传统 Transformer 的1条信息主通道拆成4条，动态决定读写，信息传递更高效、训练更稳定。
- 51B N-gram Embedding：相当于给模型"外挂"一份大规模记忆手册，每次 token 计算无需参与，可卸载到主机内存异步预取，用极少资源扩展参数。
原生上下文262K，经 YaRN 可扩展至1M。训练侧引入 Muon 优化器并重新拟合 scaling law，收敛效率与吞吐同步提升。
二、性能与成本：用1/9的资源追平上一代
性能上，Qwen3.8-Flash 在多项智能体与多模态评测中领先同档对手（厂商自测数据，仍待独立验证）：
- 智能体编程 SWE-bench Pro 62.5，领先 Opus 4.6 达9.1分（53.4）；
- 长程办公任务 CoWorkBench 73.9、工具调用 Toolathlon Verified 73.5，均超过 DeepSeek-V4-Flash；
- 专业工作 JobBench 高出 Opus 4.6 近20分；移动端 AndroidWorld 领先22.5分、视觉数学 MathVision 领先25.1分。
成本是更直接的信号：训练成本约为 Qwen3.7-Plus 的1/9，API 定价每百万 Tokens 输入1元、输出3元，约为 DeepSeek-V4-Flash 的1/3，约 Claude Opus 4.6 的3%。模型当晚首发上线"千问办公"，开发者与企业也可通过千问AI平台获取 API。截至目前，Qwen 已开源发布2.4T参数量的三大尺寸模型，全球下载量突破30亿次、衍生模型超30万个。
需要提示的是，权重虽已在 Hugging Face、魔搭社区开源，但采用 Qwen Community License 1.0 而非 Apache 2.0，对超大规模产品、模型即服务、AI工作助手等场景附有商用条件，企业自部署前应先审阅条款。
三、对企业选型的两点判断
第一，性价比窗口正在打开。当输出价格降到海外前沿模型的约1/30，长文档处理、智能体工作流、批量数据处理等"过去算不起"的用量变得可持续，企业有机会把更多场景真正跑起来。
第二，选型仍要看真实负载。厂商自测分数仅供参考，是否复现需独立测试。建议先在自身高频工作流上做小规模跑通，再决定是否规模化。深圳市奇摩计算机有限公司在帮客户落地 AI 智能体时，正是遵循"先跑通、再放量"的路径——模型参数再漂亮，最终要看能不能稳定承担实际任务。
开源大模型这轮"性价比斩杀"还会继续，对企业而言，与其追榜单，不如先把自身的真实工作流和算力账本摸清。