分析师/会磊
就在八月中旬，DeepSeek实施了"峰谷分时计费"新规，工作日高峰时段API调用价格大幅上调，经第三方核算显示，输出价格最高涨至旧版的4.7倍。与此同时，OpenAI、谷歌、Anthropic也相继上调价格或收紧免费额度。
过去两年持续走低的模型调用价格曲线，在2026年夏天开始集体掉头。靠补贴维持的低价策略，在持续攀升的算力账单面前终是难以为继。
就在市场普遍认定“涨价已成定局”时，8月26日晚，阿里千问团队交出了一份完全相反的答卷。
新发布的Qwen3.8-Flash在多模态、编程、智能体等多项基准测试中超越了Claude Opus 4.6和DeepSeek-V4-Flash，API定价却压到了每百万Token输入1元、输出3元，最低仅为DeepSeek-V4-Flash高峰时段价格的三分之一。训练成本也比前代大幅压缩，仅需原先九分之一的资源即可完成。
这不是一次常规版本迭代。在整个行业试图用提价来消化算力压力的节点上，阿里给出了另一种解法——用架构效率的重构重新定义成本结构，把大模型商业化的竞赛拉入了一条全新的轨道。
过去半年，大模型圈流行一个词叫“斩杀线”。它不是指单纯的低价，而是一道分水岭：当一款模型以远低于同行的成本提供相近甚至更强的能力时，竞品就会迅速失去商业存在感——因为切换底层模型的成本几乎为零。
DeepSeek之前被公认为这条线的划定者，原因不在于它绝对便宜，而在于它迫使所有人重新回答同一个问题：为同等水平的智能，你愿意付多少钱？
Qwen3.8-Flash把这个问题又往前推了一大步，直接给出了一个近乎不讲道理的答案。
先看价格。每百万Tokens输入1元、输出3元，这是什么概念？这是Claude Opus 4.6价格的3%，是DeepSeek-V4-Flash闲时价格的三分之二、忙时价格的三分之一。训练成本更是夸张，仅用了Qwen3.7-Plus九分之一的资源就完成了训练。
再看性能。这是一个多模态MoE模型，总参数125B，额外配备51B的N-gram Embedding，但每个Token只激活6B参数——也就是60亿参数干活，却要打出千亿级的效果。事实是，它确实做到了。
仅完成预训练的基座模型，在通用能力SuperGPQA、数学推理、编程SWEBench-Pretrain等基础评测上，就已经超过了3倍其大小的Qwen3.7-Plus基座。
经过后训练，性能跃迁更猛：智能体编程SWE-bench Pro领先Opus 4.6多达9.1分；长程专业任务CoWorkBench、真实工具调用Toolathlon Verified均超越DeepSeek-V4-Flash；多模态方面，AndroidWorld、ERQA、MathVision 等基准同样大幅领先。
旗舰级的能力，打到了“日常价”区间。这直接动摇了一个行业默认假设：那些昂贵的企业级模型，是否还天然拥有企业的“默认调用权”？答案正在变得清晰。默认调用权不会永远属于最贵的那个，而会属于“够用且足够便宜”的那个。
Qwen3.8-Flash真正让行业倒吸凉气的，不只是把Token单价打下来了，还迫使所有人重新思考：衡量大模型性价比的那把尺子，是不是该换了？
过去很简单，就看每百万Tokens多少钱。输入多少、输出多少，拉个表一比，谁便宜谁是王。但这个标准正在失效。因为一次真实任务的成本，远不止API调用费。过程中的等待时间、失败后的重复调用、多个Agent之间来回协同的轮次、最后人工接管、逐条修正结果都是成本。一个模型如果单价便宜但经常出错、需要反复重试，跑下来的真实成本可能反而更高。
大模型的斩杀线，正在从“每百万Token值多少钱”，转向“每块钱最终能完成多少工作”。
Qwen3.8-Flash的价值在于同时压低了这些隐性成本。而它能做到这一点的关键，藏在一系列架构层面的改动里。
首先，在注意力机制方面，GDN与QSA形成配合。长上下文的麻烦在于标准注意力的计算量随序列长度呈平方级增长。行业解法大致分两派：线性注意力用常数级内存换掉平方增长，但精确回溯能力会打折扣；稀疏注意力只对关键区域精细计算，但找重点本身也要算力。Qwen把两者结合起来，更关键的是引入了自研的QSA，用一个轻量级indexer把序列聚合成块，在块级别判断重要性，把“找重点”的成本也一并削掉。在1M Token的超长上下文场景下，Prefill阶段加速最高达到7.6倍。
图源：千问大模型官方公众号
其次，将信息传递通道从一条扩成四条。传统Transformer各层共用一条残差流，网络越深早期特征越容易被稀释。新方案把单一通道扩展成4条并行分支，模型根据内容动态决定信息怎么传。实际训练中观察到，其中一条分支自然形成了连接第一层和大部分中后层的长距离通道——模型确实用出了不同的分工。
再者，将51B参数挪出了显存。模型额外引入了51B的N-gram Embedding参数，结合当前Token与前几个Token的局部上下文查表，为常见模式提供额外表示。由于查询位置可以提前确定，这51B参数直接存放在主机内存中，通过异步预取与计算重叠，不长期占用昂贵的GPU显存。相当于以极低成本外挂了一个大规模的“局部模式记忆库”。
最后，训练方式也做出相应调整。针对新结构重新拟合了Scaling Law，模型可以稳定使用更大的学习率和批量大小。一个有意思的发现是，过去常见的批量大小预热已经没有实际收益，反而要多跑近19%的优化步骤，干脆直接从目标批量开始训练。
这几处改动叠加的效果很直观：激活参数只有前代三分之一、训练开销仅九分之一的模型，在多数预训练评测上追平甚至超过了一个大三倍的前代。
这套费了这么大功夫做出来的新架构，为什么没有首发在旗舰版Qwen3.8-Max上，而是先给了主打性价比的Flash？
把8月份发布的几款模型放在一起看，脉络就很清晰了。月初亮相的Qwen3.8-Max是家族的旗舰担当，总参数2.4T、激活95B，主打能力上限，是向外界展示技术高度的门面。月中开源的Qwen3.8-27B面向的是本地部署和开发者生态，体量适中，方便企业拿去做私有化微调。而刚刚落地的Qwen3.8-Flash，补上的是第三个位置——高频调用、大规模量产、对成本和响应速度最敏感的真实生产场景。
这其实是一个完整的产品矩阵：旗舰秀肌肉，中型打生态，Flash拼效率。三者各司其职，覆盖了从能力标杆到规模化落地的全链路。
但最值得琢磨的一点是，前两款模型沿用的都是前代Qwen3.5架构迭代而来，只有Flash吃上了这套名为"Next"的全新架构。新架构没有先喂给旗舰，反而先给了最讲究性价比的那一款。
这个反常规的安排，细想之下其实很合理。
一方面，新架构要验证的不是"能不能更聪明"，而是"能不能更省"。这套架构的核心目标是提升单位算力的产出效率，也就是在同等算力消耗下完成更多有效工作。而Flash这个产品线，面对的就是每天数以亿计的高频调用，对成本和速度的变化极其敏感。新架构到底能不能扛住真实场景的规模化考验，放在Flash上检验，得到的反馈最直接、也最有说服力。
另一方面，这不是阿里第一次用这种"先预览后铺开"的节奏来推新技术。2025年9月，Qwen3-Next就扮演过同样的角色——它提前释出了Gated DeltaNet混合架构，经过社区检验和打磨后，这套设计被一路沿用到了Qwen3.5和Qwen3.8系列。这次开源版本的名字里也带着"Next"这个后缀——它明确告诉社区，你看到的还不是最终形态，而是下一代架构的骨架预览。如果把这个逻辑再往深推一层，还能看到另一个信号：阿里对开源的态度正在从"开放成果"走向"开放过程"。
把尚在演进中的架构设计提前交给社区，意味着它愿意在技术路线尚未完全定型时就接受外部检验和反馈。这种做法的风险更高，但如果跑通了，社区积累的信任和对新架构的熟悉度，会在Qwen4正式发布时转化为生态上的先发优势。
把这一切串起来，阿里这步棋的意图就清晰了：先用效率优先的Flash承接规模化调用、验证新架构的可靠性，同时用开源的方式把检验工作交给社区，跑通之后，再把成熟的技术方案反哺给整个Qwen4家族。最终指向的，是一个覆盖从能力标杆到性价比之选的全链条、全尺寸的开源模型矩阵。
Qwen3.8-Flash发布的真正价值，不在于阿里又打了一轮价格战，而在于它证明了另一条路走得通——用架构效率的重构来消化算力成本，而不是把压力转嫁给用户。当整个行业都在用“涨价”来回应算力焦虑时，阿里选择把“降本”的工作留给自己，把“降价”的成果交给市场。
此外，Qwen3.8-Flash-Next的开源版本已经释放，全球开发者可以提前在下一代架构上搭建应用。当30万个衍生模型已经在Qwen生态上生长，当全球下载量突破30亿次，阿里真正在做的，已经不只是卖一个模型，而是在卖一张通往AI生态的门票。
大模型的第一阶段竞争，看谁更聪明；第二阶段的竞争，看谁更便宜；而第三阶段的竞争，看谁能用最低的成本，让最多的人用起来。
阿里正在押注的，是第三阶段。
