AI 新聞重點 · 2026-08-30 · EP32

阿里巴巴Qwen3.8-Flash-Next與智譜GLM-5.3-Flash架構為何相似？

快速回答

阿里巴巴Qwen團隊於8月26日透過X帳號公布Qwen3.8-Flash-Next模型，其架構與智譜GLM-5.3-Flash有高度相似之處。兩者均採用MoE多模態設計，包含三層線性注意力與一層全注意力混合機制，並使用上限2048個token的壓縮索引器。MarkTechPost指出這並非巧合，而是中國開源AI實驗室之間互相參考、逐漸收斂形成的產業共識設計組合。

發生了什麼？

阿里巴巴Qwen團隊於8月26日透過官方X帳號，發布了Qwen3.8-Flash-Next模型，定位為預覽下一代Qwen4架構。
Qwen3.8-Flash-Next是一個總參數125B、每次運算啟動6B參數的多模態MoE模型，原生支援262,144個token上下文，並能透過YaRN技術延伸至100萬token。
MarkTechPost分析指出，Qwen3.8-Flash-Next與智譜GLM-5.3-Flash儘管各自獨立設計，但在注意力機制比例、壓縮索引器應用及訓練優化器等細節上幾乎一致。

對你有什麼影響？

Qwen3.8-Flash-Next透過其優化的注意力機制，在100萬token情境下，prefill速度最高可快7.6倍，decoding最快4.9倍，且訓練成本僅為Qwen3.7-Plus的九分之一，為AI重度使用者提供更高效能與成本效益的長文本處理能力。然而，其「Qwen社群授權1.0」條款較GLM-5.3-Flash的MIT授權嚴格，對於月活躍用戶或營收達特定門檻的商業應用需額外標示與取得授權。

你可以怎麼做？

評估Qwen3.8-Flash-Next在程式碼生成（SWE-bench Pro）和辦公任務（JobBench）方面的性能，考慮其是否符合工作需求。
仔細研究Qwen社群授權1.0條款，特別是月活躍用戶或月營收限制，以避免潛在的授權問題。
持續關注阿里巴巴Qwen4架構的正式發布與API上線時間，預期將帶來更多功能與穩定性。
比較Qwen3.8-Flash-Next與GLM-5.3-Flash的實際應用表現及成本效益，選擇最適合自身專案的模型。

常見問題

Qwen3.8-Flash-Next的關鍵技術特色是什麼？

Qwen3.8-Flash-Next採用MoE多模態模型，總參數125B但每次運算只啟動6B，原生支援262,144個token上下文，並可透過YaRN技術延伸至100萬token。它使用混合注意力機制，包含GDN線性注意力和QSA全注意力。

Qwen3.8-Flash-Next的性能表現如何？

官方數據顯示，Qwen3.8-Flash-Next在100萬token情境下，prefill速度比傳統全注意力快7.6倍，decoding快4.9倍。在快取命中率九成的線上服務情境下，吞吐量可達自家上一代旗艦Qwen3.7-Plus的8.6倍。

Qwen3.8-Flash-Next與GLM-5.3-Flash為何架構相似？

MarkTechPost分析指出，兩者設計相似是因中國開源AI實驗室之間互相參考、採納共通設計組合的產業趨勢，例如DeepSeek開創的壓縮索引器和月之暗面（Kimi）的線性注意力設計，而非單純巧合。但這個解讀角度目前為單一來源，尚待其他人佐證。

Qwen3.8-Flash-Next的授權條件是什麼？

Qwen3.8-Flash-Next使用阿里巴巴的「Qwen社群授權1.0」，一般商用免費。但若產品月活躍用戶逾一億或月營收逾兩千萬美元，或用於AI代理服務，需額外標示與取得授權。

看節目：EP32

這篇由 AI 依節目腳本與查證紀錄整理，每個數字都核對過原稿。資料日期：2026-08-30。關於我們怎麼做