6B 激活参数也能打，Qwen3.8-Flash 实测：性能之外，价格更卷 | 302.AI

📖 文章导读：
千问开源最新模型 Qwen3.8-Flash。总参数 125B、单 token 仅激活 6B，训练计算量为前代 1/9，却敢称“下一代 Qwen4 技术预览”。实力几何？本期实测让它与 GLM-5.3-Flash 展开正面对决，结论表明：推理能力够用但不惊艳，多模态与 Coding 才是真本事，而低到可放心高频调用的价格，是它真正搅动市场的底牌。

继 8 月初 Qwen3.8-Max 发布之后，8 月末，阿里通义实验室又开源了 Qwen3.8-Flash 。它是一款多模态 MoE 模型，总参数 125B，每个 token 实际只激活约 6B 参数，原生支持 262K 上下文，还可以扩展到 1M，可视为下一代 Qwen4 的技术预览。

1.6B 激活参数，撑起百亿级模型能力

相比过去大模型界卷参数、卷训练规模、卷旗舰模型能力的情况，怎么用更少的计算把模型能力撑起来，成为了目前的竞赛新趋势。 Qwen3.8-Flash 就是一个很典型的例子，总参数 125B，每个 token 只激活约 6B 参数，却在 Coding、Agent、专业任务和多模态场景里拿到了相当不错的成绩。与此同时，它的训练计算量相比 Qwen3.7-Plus 下降到了约 1/9，这也是这次最值得关注的地方。

2.架构全面升级，重新设计底层系统

Qwen3.8-Flash 这次将底层架构重新动了一遍，Attention 上用了 GDN + QSA，让模型处理超长上下文时可以更高效地记住和查找信息；Residual 换成 Gated Residual，把信息传递扩展成多条路径；Embedding 又加入了 51B 参数的 N-gram Embedding，相当于额外给模型配了一套巨大的局部模式记忆库。再配合 Muon Optimizer 等训练策略，这一整套改动最终指向的都是同一件事：减少不必要的计算，把算力尽量花在真正有价值的信息上。

3.真正的考题，还是实战

当然，架构再怎么升级，最后还是得落到使用体验上。尤其是 Qwen3.8-Flash 这次明显把重心放到了 Coding、Agent、办公和多模态任务上。对于这类模型来说，真正的考验在于面对一个复杂任务，它能不能自己读懂信息、调用工具、操作网页、写代码，把事情做完。

榜单排名：

目前在Artificial Analysis榜单中位列第20位，近期发布的Flash模型中，位列第三。

用户评价：

本期实测，302.AI直接拿 Qwen3.8-Flash 上手跑了一轮，从多个真实任务出发，看看这套新架构放到实际使用中能否兑现其价值。

---

1. 实测模型基础信息

（1）实测模型在 302.AI 的价格：

模型名称	上下文	302.AI内的价格
qwen3.8-flash	1000000	缓存写入 $0.2 / 1M tokens缓存读取 $0.016 / 1M tokens输入 $0.15 / 1M tokens输出 $0.47 / 1M tokens
glm-5.3-flash	1000000	缓存读取 $0.015 / 1M tokens输入 $0.075 / 1M tokens输出 $0.25 / 1M tokens

（2）测评目的：

本评测侧重模型对逻辑，数学，编程，多模态，人类直觉等问题的测试，非专业前沿领域的权威测试。旨在观察对比模型的进化趋势，提供选型参考。

（3）测评方法：

本次测评使用302.AI收录的题库进行独立测试。模型分别就逻辑与数学（共10题），人类直觉（共7题），多模态（共20题）以及编程模拟（共12题）进行案例测试，对应记分规则取最终结果，下文选取代表性案例进行展示。

题库地址：https://docs.google.com/spreadsheets/d/1sBxs60yWsxc9I5Va8Rjc1_le1Omg2hOXbwqOzpImZio/edit?gid=0#gid=0

💡记分规则：

按满分10分记分，设定对应扣分标准，最终取每轮得分的平均值。

（4）测评工具：

• 所有模型均在302.AI Stuidio客户端内使用对应模型，使用统一的提示词，取第一次生成结果
• 编程测试使用302.AI Stuidio客户端的Vibe模式：调用Claude Code沙盒

编程案例分数评级：

⭐⭐⭐⭐⭐ S 级（封神）： 行业标杆，重新定义标准。

⭐⭐⭐⭐ A 级（卓越）： 生产力合格，无明显短板。

⭐⭐⭐ B 级（优秀）： 表现中规中矩，存在短板。

⭐⭐及以下 C级（不合格）： 不可用，存在明显问题。

---

2. 测试结果总览

302.AI 多模态模型测评分数榜单：

---

3. 案例展示

案例 1：多模态逻辑推理

提示词：按照逻辑将图上四张漫画进行正确排序

正确答案：BDAC

Qwen3.8-Flash：漫画释义洞察正确。但排序错1步

GLM-5.3-Flash：逻辑解读完整，排序正确

案例 2：程序化 SVG 图形生成

提示词：绘制一幅火烈鸟在浅水中缓慢行走、啄食的动态svg图

Qwen3.8-Flash 输出效果：

GLM-5.3-Flash 输出效果：

提示词：将参考图展示的画面绘制为动态svg图

参考图 ：

Qwen3.8-Flash 输出效果：

GLM-5.3-Flash 输出效果：

简评：

两组模型表现现相当，能较为精准地表达画面语义，但都在火烈鸟动态表现上明显翻车。

测评点	Qwen3.8-Flash	GLM-5.3-Flash
语义表达准确度	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐
图形构造复杂度	⭐⭐⭐⭐	⭐⭐⭐⭐
动态实现质量	⭐⭐⭐	⭐⭐⭐

案例 3：Three.js 3D 微型工厂模拟

Create a polished single-page 3D animation using Three.js.
Build a miniature automated factory on a clean tabletop, with a conveyor belt, robotic arm, rotating gears, processing machine, input/output trays, and small colorful products.
The factory should run automatically in a continuous production cycle: products enter the conveyor → move to the processing machine → the robotic arm picks and places them → the machine processes them with moving mechanical parts → finished products return to the conveyor → move to the output tray.
Focus on detailed procedural 3D modeling, realistic mechanical movement, spatial relationships, and visual polish. Use beveled geometry, metallic/plastic/rubber/glass materials, soft studio lighting, shadows, and a clean light-colored background. Avoid making the scene look like simple primitive shapes.
Use only Three.js-generated geometry; no external 3D models. Add Play/Pause/Replay controls, mouse-drag camera rotation, and scroll zoom. Keep the animation smooth, responsive, and continuously looping.

Qwen3.8-Flash 输出效果：

简评：

✅ 核心优势：

1. 材质与色彩体系高度风格化，使用了 clearcoat（清漆）参数，让塑料玩具和零件看起来有质感；
2. 生产线和动画曲线逻辑严谨，零件在传送带上模拟了移动、排队、安装等状态，产品被机械臂抓取后滑出，采用了贝塞尔曲线动画，模拟出丰富的物理状态；
3. 机械臂构造完整，每一个关节都有物理联动，运动极其流畅自然。

❌ 不足之处：

1. 大量的几何体、持续运行的IK求解器和粒子系统性能开销极高，低端显卡加载压力大；

GLM-5.3-Flash 输出效果：

简评：

✅ 核心优势：

1. 功能架构稳健清晰，模块化封装良好，代码可读性强；
2. 自实现了带惯性的轨道控制器，交互体验流畅。

❌ 不足之处：

1. 视觉细节匮乏，机械臂的抓取动作缺乏IK联动，零件材质缺乏层次感，视觉实现上较为朴素；
2. 动画欠缺过程感，未能较完整地表现出零件在机械内加工的过程，逻辑说服力不足。

测评点	Qwen3.8-Flash	GLM-5.3-Flash
视觉与交互	⭐⭐⭐⭐	⭐⭐
技术实现	⭐⭐⭐⭐	⭐⭐⭐
功能与内容完整性	⭐⭐⭐⭐⭐	⭐⭐⭐

案例 4：建筑草图复原

提示词：

根据参考图理解房间的空间结构,将其还原为一个可交互的Three.js 3D场景。

尽可能准确地复现图中的房间布局、建筑结构、家具位置、比例关系、材质、色彩和灯光氛围，并根据参考图合理推断不可见的空间结构。

视角支持鼠标旋转、缩放和自由查看。整体效果应尽可能还原参考图的空间感和视觉风格。

参考图：

Qwen3.8-Flash 输出效果：

简评：

✅ 核心优势：

1. 极强的材质表现，通过 Canvas 程序化生成了丰富的贴图，凸显木地板、沙发、窗户等材料纹理细节，甚至墙面都是带有颗粒感的泥灰色，色板定义非常讲究（鼠尾草绿、蜜色橡木、陶土色），整个场景视觉协调度极高；
2. 光影设计与明暗关系表现出色，构建了一个完整的光照生态系统（日光、灯光、地面反射光），设有日光/黄昏模式切换功能，且在地毯、沙发、落地灯下方放置半透明的阴影纹理，极大地增强了物体与地面的接触感；
3. 交互体验流畅，视角预设（室内/广角/俯视）切换带有平滑动画。

❌ 不足之处：

1. 空间陈列的艺术化表现，使得建模与草图中的陈设存在偏差；
2. 程序化生成大量高分辨率纹理，可能导致加载卡顿。

GLM-5.3-Flash 输出效果：

简评：

✅ 核心优势：

1. 使用 ES Module + importmap，符合现代前端规范，封装了 mk() 通用创建函数，大幅减少重复代码；
2. 场景空间感更强、建模更细致，实现圆角家具，以及布料编织纹理处理，视觉效果更柔和真实；

❌ 不足之处：

1. 引入了较多扩展库，增加了加载依赖；
2. 落地窗外缺少天空贴图，略显空白。

测评点	Qwen3.8-Flash	GLM-5.3-Flash
建模质感	⭐⭐⭐⭐	⭐⭐⭐
视觉表现力	⭐⭐⭐⭐⭐	⭐⭐⭐
还原度	⭐⭐⭐	⭐⭐⭐

案例 5：网页复刻

仅提供公开网站网址，考察模型一次输出的还原程度

网站来源：https://fora.so/#features

Qwen3.8-Flash 输出效果：

GLM-5.3-Flash 输出效果：

简评：

显而易见，Qwen3.8-Flash 对于原网页的还原度更高，有限体现在视觉还原和交互响应上，较完整地提取了网页插图、get 到了功能框毛玻璃效果，以及每个部分的交互动态；而 GLM-5.3-Flash 最明显缺陷在于完全未做出交互还原。

测评点	Qwen3.8-Flash	GLM-5.3-Flash
功能完整度	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐
视觉还原度	⭐⭐⭐	⭐⭐
交互与用户体验	⭐⭐⭐	⭐

---

4. Qwen3.8-Flash 模型实测结论

经过实测可以明显感受到，Qwen3.8-Flash 的定位更像是一款为真实工作流而准备的模型：多模态表现稳定，Coding 和复杂任务的完成度也比较高，很少出现会直接影响最终结果的明显短板，再加上低到可以放心高频调用的价格。它真正有竞争力的地方，在于将模型能力、任务执行和使用成本做到了一个较为均衡的水平。

1. 推理能力：够用，但不是强项

本次实测中，Qwen3.8-Flash 在逻辑和多模态推理上的表现比较稳定，但还谈不上特别惊艳。像漫画排序这种需要结合画面信息再进行多步判断的推理任务，它能够准确理解每一张图表达的内容，但最后的顺序仍然可能出错。也就是说，它对于信息的提取和理解没有太大问题，真正容易丢分的地方还是出现在后续的推理过程。

因此，对于日常问答、信息整理、内容分析，这个能力已经完全够用；但遇到比较复杂的数学、逻辑或者需要连续多步推演的问题，可能需要优先选择推理能力更强的模型。

2. 多模态 + Coding：展现出明显优势

这是真正让人眼前一亮的部分。从 Three.js 3D 场景到建筑空间还原，再到网页复刻的这几组任务里，Qwen3.8-Flash 都表现出了较高的完成度。尤其是 3D 工厂和室内场景，模型已经不只给出一个符合物理逻辑、建模完整的 Demo 这么简单，而是开始认真打磨材质、光照、动画、空间关系及交互细节。

更重要的是，它在这些任务里很少出现明显的结构性错误，也没有为了过度打磨视觉效果而忽略功能逻辑。在网页复刻案例中的表现也能说明，模型能一次产出接近预期的交付物，兼顾视觉与功能性。这一点也和模型的定位相契合，千问官方重点强化的方向正是 Coding、Agent、专业任务和多模态，而从实测来看，这些能力确实转化为了直观的用户体验。

当然，它也并非完全没有瑕疵。比如 SVG 动态效果仍然存在细节不到位的情况，3D 场景为了追求视觉效果也可能堆出比较高的性能开销。不过这些更像是是否能进一步优化细节的问题，而不是任务能否跑通的问题。

3. 价格太卷，直接改变了使用方式

极低的调用成本是 Qwen3.8-Flash 最无法忽视的优势之一。输入 $0.15 / 1M tokens、输出 $0.47 / 1M tokens，同时还支持 100 万 token 上下文，几乎秒杀了 DeepSeek-V4-Flash 这样的同级竞品。而这个定价能够带来的意义，远不止“便宜”这两个字。

当一个模型的能力已经足够应付 Coding、多模态和日常 Agent 任务时，价格下降会直接改变它的使用频率。以往可能不舍得让旗舰模型反复跑几十轮，现在这种模型完全可以放进大量任务里，再根据结果决定要不要换更贵的模型。对于需要高频使用模型的用户来说，可能比单纯追求某一项顶配能力的旗舰模型更实用。

---

5. 如何在 302.AI 上使用

1. 使用302.AI客户端

步骤指引：对话框内选择模型菜单

输入qwen3.8即可获取相应版本调用

2. 聊天机器人中使用

步骤指引 ：应用超市→聊天机器人→立即体验

选择模型：开源模型→qwen3.8-flash→确认

3. 使用模型 API

步骤指引：API超市→语言大模型→Qwen→qwen3.8-flash

点击【Playground】在线调用 API

---

想即刻体验 Qwen3.8-Flash 模型？

👉立即注册免费试用302.AI，开启你的AI之旅！👈

为什么选择302.AI？

● 灵活付费：无需月费，按需付费，成本可控

● 丰富功能：从文字、图片到视频，应有尽有，满足多种场景需求

● 开源生态：支持开发者深度定制，打造专属AI应用

● 易用性：界面友好，操作简单，快速上手