Qwen3.8-Flash "Continue" QwenCloud Uma nova arquitetura, em direção a uma máxima eficiência de custos

Qwen3.8-Flash Está agora disponível em QwenCloud com uma janela de contexto de 1M e ferramentas oficiais incorporadas por padrão, ativando apenas parâmetros 6B por token, um forte ajuste para aplicações de alta concorrência, fluxos de trabalho guiados por ferramentas, e codificação e assistentes de trabalho.

1. Visão geral

Qwen3.8-Flash Está agora disponível em QwenCloud sob o nome do modelo. qwen3.8-flash e pode ser chamado diretamente através da API. Ele envia com uma janela de contexto de 1.000.000 de token e ferramentas oficiais incorporadas por padrão, atingindo um equilíbrio forte entre capacidade, latência e custo, tornando-o adequado para aplicações de alta concorrência, fluxos de trabalho guiados por ferramentas, e codificação e assistentes de trabalho. O modelo apresenta um modelo principal de parâmetros 125B, complementado por um adicional de 51B N-grams incorporados, com parâmetros 6B ativados por token. Comparado com Qwen3.7-PlusO treinamento leva apenas cerca de 1/9, mas oferece capacidades superiores em tarefas de codificação e escritório. A arquitetura subjacente é liberada com pesos abertos como Qwen3.8-Flash-Next, uma prévia da arquitetura usada em Qwen4, atualizado sistematicamente ao longo de quatro aspectos - atenção, residual, incorporação e otimização. Leia a introdução completa:Qwen3.8-Flash-Next Uma nova arquitetura, em direção a uma máxima eficiência de custo.https://qwen.ai/blog?id=qwen3.8-flash-next). ![Qwen3.8-Flash Está agora disponível]https://img.alicdn.com/imgextra/i2/O1CN01SpjFxTNBfQI7nOLI_!!6000000000670-2-tps-3840-2160.png)

- Dois. Detalhes do modelo

Qwen3.8-Flash Capacidade econômica para cargas de trabalho de alta concorrência e agentes.

Qwen3.8-Flash é a versão de produção do Qwen3.8-Flash-Next arquitetura, servida em QwenCloud com uma janela de contexto 1M e ferramentas oficiais incorporadas. Aceita texto e entrada de imagem, suporta um modo de pensar com esforço de raciocínio ajustável, e pode ser usado diretamente para processamento de documentos longos, chamada de ferramentas multi-turnos e tarefas de aplicação cruzada. Um projeto extremamente esparso de MoE mantém uma grande piscina de especialistas enquanto encaminha apenas alguns especialistas por token, que mantém o custo e latência baixos sob alta concorrência. A combinação de Gated DeltaNet e Qwen Atenção esparsa mantém a produtividade competitiva à medida que o comprimento do contexto cresce. Detalhes do modelo:Qwen3.8-Flash](https://www.qwencloud.com/models/qwen3.8-flash)

3. Parâmetros chave

Nome do modelo # qwen3.8-flash |

Comprimento do contexto 1.000.000 de fichas (por omissão) ? modalidades de entrada ? texto, imagem ? ? modalidade de saída ? texto ? ? Modo de pensamento ? suportado via enable_thinking |

Esforço de raciocínio # reasoning_effort suportes xhigh, medium, low |

Protocolos Compatíveis com OpenAI Complementações de Chat e APIs de Respostas, além de uma interface compatível com Antrópicos Ferramenta chamando Paralelos chamado de ferramentas suportadas, com ferramentas oficiais incorporadas

Para os parâmetros mais atuais e limites de taxa, veja a página de detalhes do modelo (https://www.qwencloud.com/models/qwen3.8-flash).

- Quatro. Capacidades e Benchmarks

Os resultados abaixo são os resultados publicados para Qwen3.8-Flash-Next; Qwen3.8-Flash "Continue" QwenCloud compartilha a mesma arquitetura. Configurações completas de avaliação e notas de rodapé estão disponíveis no [Qwen3.8-Flash-Next Introdução] (https://qwen.ai/blog?id=qwen3.8-flash-next).

Codificação e tarefas de agente

Através de codificação agente, geração de código de nível de repo, trabalho de escritório de longo horizonte e uso de ferramentas do mundo real, o modelo lidera em vários pontos de referência nesta escala de parâmetros ativados, superando Qwen3.7-Plus Na DeepSwe 1.1, SWE-bench Pro, SWE-bench Multilingual, CoWorkBench, JobBench e Toolathlon Verificado.

DeepSWE 1.1, SWE-bench Pro e SWE-bench Multilingual são avaliados com o código Claude e mini-SWE-agent arneses em temperatura = 1,0, top_p = 0,95 e uma janela de contexto 256K. CoWorkBench é um escritório interno de longo horizonte e referência de agentes de produtividade. O HLE é julgado pelo GPT-4o. Células vazias indicam que as pontuações ainda não estão disponíveis ou não são aplicáveis.

Compreensão multimodal e operação de interface.

Em uso de ferramentas multimodais, recreação de aplicativos, uso de dispositivos móveis e computadores, e desenvolvimento visual da web, o modelo melhora claramente sobre Qwen3.7-Plus, com as maiores lacunas no OSWorld 2.0 e Vision2Web.

As pontuações de ClawEval-MM são relatadas como "pass@3 / média de pontuação"; OSWorld 2.0 como "binário/ parcial"; Vision2Web como a média sobre as categorias frontend, webpage e website; MathVision e Charxiv (RQ) como "sem IC/com IC". Células vazias indicam que as pontuações ainda não estão disponíveis ou não são aplicáveis. Com parâmetros ativados 6B, o modelo base atinge o melhor resultado em 8 de 14 benchmarks pré-treinamento, incluindo MMLU-Pro, SuperGPQA, BBH, SWEBench-Pretrain, MGSM e MMMLU.

- Cinco. Atualizações de Arquitetura

![Qwen3.8-Flash-Next Modelo de arquitetura] (https://img.alicdn.com/imgextra/i1/O1CN013JkTCateAFE7nOnN_!!6000000007479-2-tps-3840-3901.png)

Atenção: GDN + QSA para memória eficiente e recuperação precisa

O modelo usa uma arquitetura híbrida de Gated DeltaNet (GDN) e atenção global: três de cada quatro camadas usam GDN, comprimindo continuamente a história em um estado de tamanho fixo, enquanto a camada restante mantém a atenção global para a recuperação precisa da informação global. Atenção global mais adota Qwen Atenção esparsa (QSA). Um indexador leve primeiro agrega a sequência em micro-blocos, estima a importância do contexto na granularidade do bloco, e então seleciona as regiões mais relevantes para atenção. Isso reduz tanto o cálculo de atenção real quanto o custo de indexação de encontrar o contexto importante. A GDN lembra-se eficientemente, a QSA recupera precisamente. (Arquitectura QSA) (https://img.alicdn.com/imgextra/i1/O1CN01MDReeAmNtzF7nOJy_!!6000000002866-2-tps-3840-2078.png) Em 1M tokens, o núcleo de atenção QSA atinge até 7,6x e 4,9x acelerações nas fases pré-preenchimento e decodificação respectivamente. A 90% de cache, a taxa de desempenho relativo de pré-preenchimento melhora acentuadamente à medida que o comprimento do contexto cresce, atingindo 8,6× a do Qwen3.7-Plus no contexto 1M. [Relativo pré-preenchimento versus comprimento do contexto] (https://img.alicdn.com/imgextra/i2/O1CN01BLDpileYT9L7ntYq_!!6000000003105-2-tps-3844-2160.png)

"Residencial Gated: mais caminhos para o fluxo de informação"

Gated Residual (GR) amplia um único fluxo residual em 4 ramos paralelos, deixando o modelo decidir dinamicamente quanto ler e escrever para cada ramo baseado no conteúdo atual. É como transformar uma faixa em várias, algumas filiais carregam informações locais, enquanto outras preservam características iniciais em camadas muito profundas. O portal normalizado também suprime os outliers de ativação e melhora a estabilidade do treinamento, e o estado residual pode ser armazenado no FP8 para reduzir ainda mais o tráfego de memória.

N-gram Embedding: expansão da capacidade do modelo a baixo custo

Uma incorporação regular procura uma mesa usando um único símbolo. N-gram Embedding em vez disso, olha para cima da tabela usando o contexto local formado pelo token atual e os anteriores, fornecendo representações adicionais para frases comuns e padrões locais — adicionando um grande número de parâmetros com quase nenhum aumento na computação per-token. O modelo adiciona parâmetros de incorporação de 51B N-gram, porque as posições de busca podem ser determinadas com antecedência, podem viver na memória do hospedeiro e se sobrepor com computação através de prefetching assíncrono, sem ocupar permanentemente a memória da GPU.

Otimização: co-projetar arquitetura e otimização

O modelo é treinado com o otimizador Muon, refinado em torno de três questões-chave: precisão ortogonalização, a divisão do trabalho entre Muon e AdamW, e a divisão de matrizes de parâmetros fundidos. Muon é usado para os principais pesos em atenção, especialistas em GDN e MoE, enquanto incorpora, o roteador MoE e GR baixa classificação parâmetros permanecer em AdamW. Fused QKV, SwiGLU e GDN projeções são primeiro divididas em transformadas lineares independentes que eles realmente correspondem, em seguida ortogonalizado separadamente. Com a lei de escala adaptada para a nova arquitetura, o modelo treina com maior velocidade de aprendizado e tamanho de lote.

Seis. Acesso ao Desenvolvedor

Uso da API

QwenCloud suporta protocolos padrão da indústria, incluindo as APIs de completações de chat compatíveis com OpenAI e Responses, ao lado de uma interface compatível com Antrópicos. As chaves da API estão disponíveis em QwenCloud.

"""
Environment variables:
  DASHSCOPE_API_KEY: Your API Key from https://home.qwencloud.com/
  DASHSCOPE_BASE_URL: (optional) Base URL for compatible-mode API.
    - Singapore: https://dashscope-intl.aliyuncs.com/compatible-mode/v1
"""
from openai import OpenAI
import os

api_key = os.environ.get("DASHSCOPE_API_KEY")
if not api_key:
    raise ValueError(
        "DASHSCOPE_API_KEY is required. "
        "Set it via: export DASHSCOPE_API_KEY='your-api-key'"
    )

client = OpenAI(
    api_key=api_key,
    base_url=os.environ.get(
        "DASHSCOPE_BASE_URL",
        "https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
    ),
)

messages = [{"role": "user", "content": "Write a Python function to merge two sorted linked lists."}]

completion = client.chat.completions.create(
    model="qwen3.8-flash",
    messages=messages,
    extra_body={
        "enable_thinking": True,
    },
    reasoning_effort="xhigh",  # supported levels are xhigh, medium, and low
    stream=True,
)

for chunk in completion:
    if not chunk.choices:
        continue
    delta = chunk.choices[0].delta
    if getattr(delta, "reasoning_content", None):
        print(delta.reasoning_content, end="", flush=True)
    if getattr(delta, "content", None):
        print(delta.content, end="", flush=True)

Frameworks de agentes e assistentes de codificação

Qwen3.8-Flash integra diretamente com os quadros de agentes populares e assistentes de codificação. Claude Code: QwenCloud suporta o protocolo Anthropic API, permitindo o uso direto com Claude Code.

npm install -g @anthropic-ai/claude-code

export ANTHROPIC_MODEL="qwen3.8-flash"
export ANTHROPIC_SMALL_FAST_MODEL="qwen3.8-flash"
export ANTHROPIC_BASE_URL=https://dashscope-intl.aliyuncs.com/apps/anthropic
export ANTHROPIC_AUTH_TOKEN=<your_api_key>

claude

Codex: QwenCloud suporta o protocolo de respostas OpenAI. Em ~/.codex/config.toml, ponto base_url Em https://dashscope-intl.aliyuncs.com/compatible-mode/v1 E set wire_api para responses; em ~/.codex/model-catalog.local.json, set context_window para qwen3.8-flash para 1000000.

npm install -g @openai/codex

export OPENAI_API_KEY=<your_api_key>

codex

Qoder CLI: [Qoder] (https://qoder.com/) co-evolui com Qwen para codificação de agentes.

curl -fsSL https://qoder.com/install | bash

qoder

Qwen Code:Qwen Code] (https://qwen.ai/qwencode) é profundamente otimizado para o Qwen Série.

npm install -g @qwen-code/qwen-code@latest

qwen

"OpenClaw" (Garra aberta)https://openclaw.ai) através QwenCloudA configuração completa está documentada nos guias de desenvolvimento.https://docs.qwencloud.com/developer-guides/clients-and-developer-tools/openclaw).

curl -fsSL https://openclaw.ai/install.sh | bash

export DASHSCOPE_API_KEY=<your_api_key>

openclaw dashboard

- 7? - 7? Tente agora.

• Detalhes do modelo:Qwen3.8-Flash](https://www.qwencloud.com/models/qwen3.8-flash)
• Tente agora. Qwen3.8-Flash](https://www.qwencloud.com/try-ai/chat?models=qwen3.8-flash)