前沿架构解码手记（八）：Qwen3.8 三版本同框——2.4T 旗舰、Flash 服务版与 Flash-Next 架构预览

0. 结论先行

Qwen3.8 家族不是”三个大小的模型”，而是三条产品线各干一件事：

版本	本质	一句话
Flash-Next	下一代 Qwen4 架构的先导预览（2026-08-26 开源）	用 6B 激活试探新架构的方向
Flash	同架构的服务调优版（权重未开放）	承载 API 定价的生产模型
2.4T-A95B / Max	当前代旗舰（开放权重 8/12 发布）	Qwen-Max 级能力首次开放权重

一句话记忆：Next 是”告诉你下一代长什么样”，Flash 是”你现在能便宜用到的”，2.4T 是”当前最强且你能自己下载的”。

1. 一张表看懂三条产品线

维度	Flash-Next	Flash	2.4T-A95B（Max）
定位	架构预览（Qwen4Exp）	服务调优生产版	当前代旗舰
总参数	125B MoE + 51B N-gram（约 180B 存储）	同 Flash-Next 架构	2.4T 稀疏 MoE
每 token 激活	约 6B（<5%）	同左	约 95B（约 4%）
注意力	QSA 稀疏注意力（与 GDN 3:1 交替）	同左	门控注意力（GDN 配套）
专家	512 专家 MoE	同左	512 专家（10 路由 + 1 共享）
上下文	原生 262,144 → YaRN 至 1M	同左	1M
模态	文本 / 图像 / 视频	同左	多模态
权重	✅ 开放（qwen-community-1.0，BF16 + FP8）	❌ 未开放	✅ 开放（2.4T-A95B，自定义许可证）
API 定价	输入 1 元 / 输出 3 元每百万 token	$0.16 / $0.47 每百万 token	$2 / $6，无长提示附加费
独立评测	多数基准超 DeepSeek-V4-Flash	—	Artificial Analysis 智能指数 58、编码 71.8

训练成本：Flash-Next 约为 Qwen3.7-Plus 的 1/9——这是”小激活 + 新架构”路线最直接的证据。

2. 七件共用组件：源码层面是对齐的

把三个版本的仓库源码并排看，七类组件的命名与组织是一致的：GDN、QSA、MoE、RMSNorm、Residual、KV Cache、MTP。差别不在”有没有”，而在”参数与组合方式”：

图 1：两代架构共用 GDN / MoE / MTP 等骨架；Flash-Next 用 QSA 稀疏注意力与 51B 主存 N-gram 表换 6B 激活，旗舰走门控注意力 + 95B 激活的当前代路线。

两代真正的分水岭在注意力：旗舰（2.4T）用的是当前一代已验证的门控注意力；Flash-Next 换成了 QSA 稀疏注意力，并以 3:1 的比例与 GDN 交替。这就是”预览”的含义——Qwen4 大概率会沿 QSA 这条线走。

3. Flash-Next：用 51B 主存换 6B 激活

fa7 已拆过它的权重组织，这里只讲为什么这个设计成立：

125B 主模型 + 51B N-gram Embedding，磁盘约 180B 参数（BF16 约 360GB）
关键取舍：51B 的 N-gram 表不进显存，驻留主机内存——用 PCIe 换 HBM
每 token 只激活约 6B（稀疏度约 95%），换来的是推理成本的数量级下降
Muon 优化器训练，成本约为 Qwen3.7-Plus 的 1/9，但编程与办公任务反而更强
上下文原生 262,144，YaRN 扩展到 1M

这套设计的隐含前提：你得能接受”模型的一部分常驻主存”。对单卡用户不友好，对有 Host 内存的服务部署是划算买卖——这也解释了为什么它的 API 价格能做到输入 1 元 / 输出 3 元每百万 token，比 DeepSeek-V4-Flash 还低约三分之一。

4. Flash：同架构的服务调优版

Flash 的定位最容易误解——它不是”小一号的 Flash-Next”，而是同一架构为生产环境调优的版本：

权重未开放（这是与 Flash-Next 唯一但关键的区别）
API 定价 $0.16 / 百万输入、$0.47 / 百万输出
承载 QwenCloud API 的生产流量

为什么要有两个名字：预览版（Next）承担”公开架构方向、收集社区反馈”的任务；服务版（Flash）承担”稳定供给”的任务。架构相同但服务等级、量化方案、上线节奏都可以分开管理。这也是为什么名字里带 “Next” 的模型不该直接上生产——官方文档也明确它是 architecture preview，工具链支持可能滞后。

5. 2.4T-A95B：Qwen-Max 级能力首次开放权重

这一版的历史意义大于参数意义：Max 档一直是闭源托管的最强选项，这是第一次以开放权重放出。

2.4T 总参数稀疏 MoE，每 token 激活约 95B（约 4%，和 Flash-Next 的稀疏比例接近，但绝对量大 15 倍以上）
512 专家中 10 个路由专家 + 1 个共享专家——与 Flash-Next 的纯 512 专家结构不同
API 侧 1M 上下文、多模态、$2/$6 统一定价且不收长提示附加费（长上下文场景这个定价策略很关键）
开放权重版 Qwen3.8-2.4T-A95B（8/12 发布）与 FP8 变体，自定义许可证（非 Apache）
独立评测：Artificial Analysis 智能指数 58、编码指数 71.8，是 Qwen3.8 系列最强

6. 推理控制：两个被低估的参数

Qwen3.8 引入的两个 API 参数，对工程的影响比跑分更大：

参数	作用	工程价值
`reasoning_effort`	按请求调节推理深度	分类/短文本不必深思考，省延迟与成本；多步调试才给深推理。不用再为”便宜的活”和”难的活”配两个模型
`preserve_thinking`	跨轮保留思考上下文	迭代会话中模型不再每轮重新推导一遍相同结论——省 token，也避免二次推导结果漂移。长 Agent 会话更稳也更便宜

两者指向同一个设计目标：为多步任务优化，而不是为单次惊艳的回答优化。

7. 选型判断

你的场景	选
自己部署、想试下一代架构、能接受 360GB 权重 + 主存 N-gram 表	Flash-Next（BF16 或 FP8）
追求最低 API 成本、日常编程与办公任务	Flash（$0.16/$0.47）
需要当前最强能力 + 1M 上下文 + 多模态，且要自己部署	2.4T-A95B（显存预算要按 95B 激活算，不是 2.4T）
本地硬件有限、想跑得动	27B（稠密，55.6GB BF16，社区下载量最高）

一个提醒：2.4T 的显存估算别按 2.4T 算——按激活 95B 算 KV Cache 与激活值（见 sys9 的公式），权重才按总参数摊。

8. 与系列文章的衔接

fa6（Gated DeltaNet）：本文三版本共用的线性注意力层，原理在那篇。
fa7（双 checkpoint 对比）：Flash-Next 与 27B 的权重组织、config 差异与存储拆解，本文不重复。
sys9 / sys10：算这三个模型的 KV Cache 与部署成本，用那两篇的公式与工具。
ag1：preserve_thinking 正是为 Agentic 多轮负载设计的——KV Cache 从显存问题变成调度问题的又一例证。