【免费下载链接】Qwen3.8-Flash-Next项目地址https://ai.gitcode.com/hf_mirrors/unsloth/Qwen3.8-Flash-Next点击查看免费下载本文完整解读 Qwen3.8-Flash-Next 的基准性能与架构设计。Qwen3.8-Flash-Next 是 Qwen 团队发布的开源权重多模态大模型125B 总参数、每次推理仅激活 6B 参数、原生 262K 上下文在 SWE-bench Pro 智能体编程基准上取得 62.5 分力压 Claude-Opus-4.653.4与 DeepSeek-V4-Flash56.0登顶。这篇文章带你一次看懂它的 benchmark 成绩单、背后的架构创新与上手要点。 一张表看懂为什么 6B 激活参数这么强Qwen3.8-Flash-Next 的模型卡写明125B 总参数之外还有 51B 的 n-gram 词嵌入和 4B 的 MTP 模块详见 README.md。它采用 MoE混合专家架构——每个 token 只激活 512 个专家中的 11 个10 个路由 1 个共享所以总参数大、激活参数小。先看核心对比这也是它最出圈的一张成绩单SWE-bench Pro 均为 256K 上下文、Claude Code 评测框架模型总参数激活参数SWE-bench ProDeepSWE 1.1Qwen3.8-Flash-Next125B6B62.558.7Qwen3.8-27B27B27B61.742.2Qwen3.7-Plus397B17B55.816.5DeepSeek-V4-Flash-0731284B13B56.054.4Claude-Opus-4.6 (Max)----53.4-- 划重点激活参数只有 6B却比激活 13B 的 DeepSeek 高 6.5 分比激活 27B 的 Qwen3.8-27B 高 0.8 分比闭源的 Claude-Opus-4.6 高出 9.1 分。在智能体编程Agentic Coding这个最考验长程规划与工具调用的赛道上效率与能力同时拉满。 其他 Benchmark 亮点Agent 与通用能力SWE-bench Pro 之外Qwen3.8-Flash-Next 在 Agent 任务和通用推理上也几乎全程第一基准考察能力Qwen3.8-Flash-NextClaude-Opus-4.6DeepSeek-V4-FlashCoWorkBench长程办公任务73.968.245.1JobBench职业工作任务55.736.641.3Toolathlon Verified (Pass1)真实工具调用73.5--70.3IFBench指令遵循81.362.579.2GPQA Diamond科学推理91.791.390.8LiveCodeBench v6竞赛编程91.988.890.6HLE多学科推理35.940.033.8SWE-bench Multilingual多语言软件工程81.077.5--多模态方面同样亮眼对比 Claude-Opus-4.6基准Qwen3.8-Flash-NextClaude-Opus-4.6AndroidWorld手机操控84.562.0RealWorldQA真实感知88.573.9MathVision视觉数学含 CI95.765.5LVBench长视频理解76.663.0数据说明SWE-bench Pro 中 Claude-Opus-4.6 采用官方发布分数HLE 上 Claude40.0仍领先NL2Repo-Bench 上 DeepSeek54.2领先榜单完整细节见 README.md。 架构揭秘性能背后的四大设计为什么 6B 激活能有这样的效果答案藏在 config.json 里Hybrid Attention QSAQwen Sparse Attention48 层中按3 层线性注意力 → 1 层稀疏注意力循环config.json 中full_attention_interval: 4。QSA 在 micro-block 级别做块级稀疏选择索引预算为 512 个块或 2048 个 tokenindexer_budget: 2048显著压低长上下文延迟——这对以智能体任务为主的真实负载尤其关键。Gated Residual门控残差4 条分支hc_count: 4、瓶颈秩 320hc_lowrank: 320用数据相关的读取门与逐分支标量写入门调节加宽残差流兼顾表达能力、训练稳定与低推理开销。N-gram Embedding用短 n-grambigram/trigram索引 20,000,000 规模的嵌入词表config.jsonngram_vocab_size_base共 51B 参数、注入在第 2 层。它提供了一条比 MoE 计算更省、更适合卸载offloading的参数扩展轴让内存受限的加速卡也能高效扩展参数而不牺牲质量。MoE 配置num_experts: 512、num_experts_per_tok: 10、专家中间维度 640另配 1 层 MTPMulti-Token Prediction加速解码。配套的训练配方Muon AdamW 分权重类别优化器、取消 batch 预热、按重拟合的 scaling law 直接以目标 batch 起跑进一步压缩了优化步数详见 README.md。 实用指南如何运行 Qwen3.8-Flash-Next部署建议官方推荐 SGLang、vLLM、KTransformers、TokenSpeed 等专用推理引擎用于生产与高吞吐场景README.md。权重共 131 个分片model-00001-of-00131.safetensors起bfloat16 精度下总容量约 360GB分片清单见 model.safetensors.index.json。关键使用要点默认思考模式模型默认先输出思考内容再作答可通过enable_thinking、preserve_thinking、reasoning_effortxhigh / medium / low三个参数精细控制。官方推荐采样参数思考模式temperature1.0, top_p0.95, top_k20与 generation_config.json 默认值一致非思考模式temperature0.7, top_p0.80, presence_penalty1.5。长上下文原生 262,144 token超过后建议用 YaRN 扩展至 1,000,000 token——vLLM / SGLang / TokenSpeed 均支持只需修改rope_parameters或传入启动参数即可。智能体任务建议给推理内容分配最大 262,144 token、最终回复 131,072 token 的输出上限效果最佳。更多配置可查阅 chat_template.jinja对话模板与 tokenizer.json词表 248,320。模型遵循 Qwen Community License 1.0 许可具体条款见 LICENSE。✅ 总结Qwen3.8-Flash-Next 用一组基准成绩回答了一个关键问题智能时代的大模型规模不等于一切。它以 6B 激活参数在 SWE-bench Pro 登顶62.5 分在 CoWorkBench、JobBench、AndroidWorld 等智能体基准全面领先同时以 n-gram 嵌入 块级稀疏注意力 门控残差这套为效率重新设计的新架构把 262K 原生上下文和 100 万 token 扩展能力带进了开源权重世界。如果你正在寻找高性价比的智能体编程底座这份 README.md 中的模型卡与最佳实践值得先读一遍。赞分享【免费下载链接】Qwen3.8-Flash-Next项目地址https://ai.gitcode.com/hf_mirrors/unsloth/Qwen3.8-Flash-Next点击查看免费下载相关推荐Qwen3.8-Flash-Next-FP8基准测试深度解读DeepSWE 58.7、SWE-bench Pro 62.5背后的能力版图Qwen3.8 Flash Next FP8基准测试深度解读DeepSWE 58.7、SWE bench Pro 62.5背后的能力版图 Qwen3.8 FlQwen3.8-Flash-Next-FP8 MoE结构拆解512个专家只激活11个6B激活参数如何打满性能天花板Qwen3.8 Flash Next FP8 MoE结构拆解512个专家只激活11个6B激活参数如何打满性能天花板 Qwen3.8 Flash Next FQwen3.8-Flash-Next-GGUF基准深度解读LiveCodeBench 91.9与SWE-bench 81.0意味着什么前沿智能体编码实力盘点Qwen3.8 Flash Next GGUF基准深度解读LiveCodeBench 91.9与SWE bench 81.0意味着什么前沿智能体编码实力盘点上一篇Huly 服务端 TxOrderingMiddleware 事务排序中间件实现解析根治 LiveQuery 竞态与多余的 getCurrentDoc 请求下一篇GDevelop 内置 Jfxr 音效编辑器嵌入架构、源码级桥接与音效资源管线解析创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考