Qwen3.8-Flash-Next 发布

阿里巴巴通义千问发布了 Qwen3.8-Flash,并开源了 Qwen3.8-Flash-Next,这是 Qwen4 架构的早期预览版,旨在让推理框架在完整系列发布前完成适配。
Key insights
Qwen4 架构早期预览旨在实现生态就绪
Qwen3.8-Flash-Next 被明确标记为 Qwen4 架构的早期预览版,在完整系列发布前开源,以便 vLLM 和 SGLang 等推理框架及基础设施开发者能在 Qwen4 正式发布前完成适配。NVIDIA 已确认提供 Day 0 支持,包括微调方案和集成。
突破性效率:参数更少,竞争力依然强劲
与上一代 Qwen3.7-Plus 相比,Flash-Next 仅使用 1/3 的激活参数、1/3 的训练 token 和约 1/9 的训练 FLOPs,却在 14 项预训练基准中领先 8 项,其余各项差距不超过 2.6 分。这种大幅降低计算量同时保持竞争力的表现,凸显了架构上的改进。
Muon 优化器与门控残差消除训练不稳定性
一项可复现的压力测试采用 4 倍最优学习率,结果表明旧的 AdamW + Qwen3.5 方案频繁出现损失尖峰,而采用 Muon 优化器与门控残差的新方案则零尖峰。此外,生产训练流程未使用任何显式 qk-clip,表明训练方法更加稳定和稳健。
智能体编码与长程基准测试展现明显领先
在智能体编码任务中,Qwen3.8-Flash-Next 的 DeepSWE 1.1 得分 58.7,远超 Qwen3.7-Plus 的 16.5,也高于 DeepSeek-V4-Flash 的 54.4。同时,SWE-bench Pro 得分 62.5,多语言版本 81.0,长办公/智能体任务如 CoWorkBench 73.9、JobBench 55.7 和 Toolathlon 73.5 均显著领先于对比模型。
多模态能力扩展至视觉与视频任务
该模型在 AndroidWorld 得分 84.5,MathVision(带代码解释器)得分 95.7,OSWorld 2.0 部分得分 52.3,长视频 LVBench 得分 76.6,展示了在设备操作、数学视觉、操作系统交互和视频理解方面的强大性能。