Qwen3.8-Flash-Next là tuyên bố rõ ràng của Alibaba về việc hiệu quả chi phí chính là chiến trường mới. Việc vượt qua Claude Opus 4.6 Max trên SWE-bench Pro, CoWorkBench và JobBench với chỉ 6B tham số hoạt động, ở mức giá 0,16 USD trên triệu input token, là một lời chào hàng nghiêm túc cho bất kỳ ai đang vận hành khối lượng công việc coding hoặc agent lớn.
Tóm tắt các điểm chính
- Qwen3.8-Flash-Next có chi phí huấn luyện chỉ bằng khoảng một phần chín so với phiên bản tiền nhiệm Qwen3.7-Plus, nhờ một kiến trúc mới hiệu quả cao.
- Mô hình vượt Claude Opus 4.6 Max trên CoWorkBench (73,9 so với 68,2) và JobBench (55,7 so với 36,6), một khoảng cách gần 20 điểm trên JobBench.
- Context native 262K token, mở rộng được đến 1M bằng YaRN, với thông lượng prefill tăng tới 8,6 lần so với Qwen3.7-Plus ở mức 1M token.
- Giá trên QwenCloud dưới tên qwen3.8-flash là 0,16 USD/triệu input token và 0,47 USD/triệu output token, rẻ hơn hơn 10 lần so với chính đàn anh Qwen3.8-Max về giá input.
- Mô hình vẫn thua Claude Opus 4.6 Max trên Humanity’s Last Exam (35,9 so với 40,0) và được cộng đồng ghi nhận có độ giòn (brittleness) trên các chuỗi agent rất dài.
Qwen3.8-Flash-Next là mô hình gì?
Qwen3.8-Flash-Next là mô hình MoE đa phương thức của đội Qwen thuộc Alibaba, ra mắt ngày 26/8/2026, được định vị là một workhorse hiệu quả chi phí thay vì một flagship cấp cao nhất. Mô hình đứng dưới các mô hình cấp Max về trí tuệ nhưng vượt trội gần như mọi mô hình khác về giá, đây chính là mục đích của dòng “Flash”.
Mô hình hỗ trợ native context window 262.144 token, mở rộng được đến 1.000.000 token bằng YaRN (Yet another RoPE extensioN), một kỹ thuật positional encoding kéo giãn context window của mô hình, cho phép xử lý input văn bản khổng lồ trong khi vẫn giữ hiệu năng gốc. Mô hình xử lý văn bản, hình ảnh và video qua một API duy nhất, đây là một trong những lý do giới bình luận gọi đây là “hiện tượng cộng đồng qua đêm” trong các bài tổng hợp phát hành tháng 8/2026.
Điều khiến lần phát hành này quan trọng với người thực hành là tỷ lệ điểm benchmark trên mỗi USD. Qwen3.8-Flash-Next vượt qua chính đàn em 27B của nó trên mọi benchmark công bố, và vượt trội Claude Opus 4.6 Max trên phần lớn các đánh giá coding và agent thực tế trong khi chỉ kích hoạt 6 tỷ tham số mỗi token. Đây là bản xem trước kiến trúc Qwen4, nên các lựa chọn thiết kế ở đây báo hiệu hướng đi tiếp theo của Alibaba.
Qwen3.8-Flash-Next có gì mới?
Qwen3.8-Flash-Next nâng cấp mô hình theo bốn trục: attention, residual, embedding và tối ưu hóa.
Xử lý long-context với một phần nhỏ compute
Lợi ích thực tế lớn nhất là tốc độ trên input dài. Qwen3.8-Flash-Next dùng thiết kế attention lai, nén phần lớn lịch sử context để tiết kiệm không gian, và dùng một công cụ “Sparse Attention” nhắm mục tiêu để truy xuất chỉ những chi tiết liên quan nhất khi cần. Mức tăng tốc ở 1 triệu token rất lớn: xử lý prompt (prefill) nhanh hơn tới 7,6 lần và tạo (decode) nhanh hơn 4,9 lần. Trong một thiết lập phục vụ điển hình với prefix đã cache, tổng thông lượng tăng 8,6 lần so với Qwen3.7-Plus.
Với bất kỳ ai vận hành truy xuất khối lượng lớn hoặc agent coding quy mô cả repository, sự khác biệt thông lượng này chính là tính năng đáng giá nhất. Trả tiền theo compute, và thiết kế này cắt giảm hóa đơn đúng vào các chuỗi dài vốn nổi tiếng đắt đỏ trước đây.
Năng lực hiệu quả lớn hơn mà không tăng chi phí trên mỗi token
Qwen dùng một mẹo gọi là N-gram Embedding để thêm 51 tỷ tham số gần như miễn phí. Thay vì chỉ nhìn một token mỗi lúc, mô hình nhìn cả token hiện tại cộng các token lân cận gần đó, mang lại cho mô hình một “bộ nhớ mẫu hình cục bộ” khổng lồ. Vì mô hình biết trước cần tra cứu gì, 51 tỷ tham số bổ sung này nằm trong bộ nhớ hệ thống tiêu chuẩn (RAM), không phải trên GPU, được kéo vào tự động phía sau hậu trường, nghĩa là chúng không bao giờ chiếm dụng vĩnh viễn bộ nhớ GPU hay làm chậm compute trên mỗi token. Điều này mang lại trí tuệ của một mô hình lớn hơn nhiều mà không phải trả thêm phí VRAM.
Đầu vào đa phương thức native qua một API
Qwen3.8-Flash-Next xử lý văn bản, hình ảnh và video qua một giao diện duy nhất, và năng lực thị giác vượt xa tầng giá của nó. Mô hình vượt trội Claude Opus 4.6 Max trên bài test dùng mobile (84,5 so với 62,0 trên AndroidWorld) và hiểu thị giác thực tế (88,5 so với 73,9 trên RealWorldQA). Mô hình cũng vượt trội về toán học thị giác, đạt tới 95,7 trên MathVision (vượt xa mức 65,5 của Opus). Nếu quy trình làm việc liên quan đến phân tích screenshot, biểu đồ hoặc UI ứng dụng, Qwen mang lại lợi thế thực sự so với Claude ở mức giá này.
Kiểm soát mức độ reasoning và speculative decoding
API cung cấp một nút điều chỉnh reasoning effort với ba mức (high, medium, low), cho phép đánh đổi giữa suy nghĩ sâu và độ trễ thấp hơn, chi phí rẻ hơn. Mô hình cũng được tích hợp sẵn một module multi-token prediction, về cơ bản dự đoán trước nhiều bước để tăng tốc tạo văn bản trong khối lượng công việc thực tế. Kết quả thực tế là khả năng kiểm soát: có thể giảm reasoning cho traffic khối lượng lớn, nhạy cảm về chi phí, và tăng lên cho các tác vụ agentic phức tạp, tất cả dùng chung một model ID.
Qwen3.8-Flash-Next đạt điểm benchmark như thế nào?
Xuyên suốt các con số công bố, Qwen3.8-Flash-Next dẫn đầu phần lớn benchmark coding và agentic trong khi tụt lại ở một vài đánh giá reasoning kiểu bài thi.
SWE-bench Pro và SWE-bench Multilingual
SWE-bench Pro đo các bản sửa lỗi phần mềm thực tế ở cấp repository, và Qwen3.8-Flash-Next đạt 62,5, vượt 53,4 của Claude Opus 4.6 Max và 55,8 của Qwen3.7-Plus. Trên SWE-bench Multilingual, kiểm tra sửa lỗi xuyên ngôn ngữ, mô hình đạt 81,0 so với 77,5 của Opus 4.6 Max. Đây là những con số mang tính quyết định cho lần phát hành này: một mô hình chỉ 6B tham số hoạt động vượt qua một Claude cấp Max trên kỹ thuật cấp repository chính là lý do thu hút sự chú ý lớn.
DeepSWE 1.1 và coding agentic
DeepSWE 1.1 đánh giá coding agentic qua các harness như Claude Code và mini-SWE-agent, và Qwen3.8-Flash-Next đạt 58,7 so với 42,2 của đàn em 27B và 16,5 của Qwen3.7-Plus. DeepSeek-V4-Flash-0731 đạt 54,4 ở benchmark này. Khoảng cách DeepSWE giữa hai mô hình gợi ý Qwen3.8-Flash-Next nên hoạt động tốt trong các vòng lặp coding agentic tương tự.
CoWorkBench, JobBench và Toolathlon
Về phía agent, mô hình đạt điểm mạnh xuyên suốt nhiều đánh giá: CoWorkBench (công việc văn phòng dài hạn) đạt 73,9 so với 68,2 của Claude Opus 4.6 Max và 65,1 của Qwen3.7-Plus; JobBench (tác vụ công việc chuyên nghiệp) đạt 55,7 so với 36,6 của Opus 4.6 Max, một khoảng cách lớn; Toolathlon Verified (dùng tool thực tế) đạt 73,5 so với 70,3 của DeepSeek-V4-Flash-0731. Khoảng cách JobBench nổi bật nhất: trên các tác vụ quy trình chuyên nghiệp, Qwen3.8-Flash-Next đạt điểm cao hơn gần 20 điểm so với một Claude cấp Max, đây là kiểu kết quả đáng để thử nghiệm cho tự động hóa doanh nghiệp.
GPQA Diamond, LiveCodeBench và nơi mô hình tụt lại
Về reasoning tổng quát, Qwen3.8-Flash-Next đạt 91,7 trên GPQA Diamond (reasoning khoa học), nhỉnh hơn 91,3 của Claude Opus 4.6 Max, và 91,9 trên LiveCodeBench v6 (coding thi đấu) so với 88,8 của Opus 4.6 Max. Mô hình không thắng ở mọi nơi: trên Humanity’s Last Exam (HLE), kiểm tra reasoning đa ngành, mô hình đạt 35,9 so với 40,0 của Claude Opus 4.6 Max. Trên Agents’ Last Exam Pass@1, DeepSeek-V4-Flash-0731 nhỉnh hơn với 25,2 so với 24,3.
Mô hình chung được giữ nguyên xuyên suốt các tracker độc lập: Qwen3.8-Flash-Next dẫn đầu về coding thực tế và công việc agent, trong khi Claude vẫn giữ lợi thế ở một số benchmark reasoning kiểu bài thi.
Hiệu năng mô hình base
Qwen3.8-Flash-Next-Base thắng 8 trên 14 benchmark pretraining trước các mô hình base của Qwen3.8-27B và Qwen3.7-Plus lớn hơn nhiều. Mô hình dẫn đầu trên MMLU-Pro (73,23), SuperGPQA (51,36), BBH (90,87), GSM8K (93,29), EvalPlus (78,76), SWEBench-Pretrain (50,99), MGSM (89,33) và MMMLU (84,86). Điều đáng chú ý là mô hình làm được điều này với 6B tham số kích hoạt so với 17B tham số hoạt động và 397B tổng của Qwen3.7-Plus, và vẫn giữ khoảng cách chỉ một điểm trên MMLU, MMLU-Redux, GPQA, MATH và MultiPL-E. 51 tỷ tham số N-gram embedding được định địa chỉ tất định và không bao giờ nằm trong ngân sách matmul trên mỗi token, nên đây là hiệu quả thực sự chứ không phải một mẹo đếm tham số.
So sánh Qwen3.8-Flash-Next với các đối thủ
| Benchmark | Qwen3.8-Flash-Next | Claude Opus 4.6 Max | Qwen3.7-Plus | DeepSeek-V4-Flash-0731 |
|---|---|---|---|---|
| SWE-bench Pro | 62,5 | 53,4 | 55,8 | 56,0 |
| SWE-bench Multilingual | 81,0 | 77,5 | 75,8 | — |
| DeepSWE 1.1 | 58,7 | — | 16,5 | 54,4 |
| CoWorkBench | 73,9 | 68,2 | 65,1 | 45,1 |
| JobBench | 55,7 | 36,6 | 27,6 | 41,3 |
| GPQA Diamond | 91,7 | 91,3 | 90,3 | 90,8 |
| LiveCodeBench v6 | 91,9 | 88,8 | 89,6 | 90,6 |
| HLE | 35,9 | 40,0 | 34,7 | 33,8 |
Qwen3.8-Flash-Next có giá bao nhiêu và truy cập ở đâu?
Trọng số Qwen3.8-Flash-Next hiện đã khả dụng dưới dạng mô hình mở trên Hugging Face và ModelScope. Phiên bản sản xuất, với context 1M mặc định và tool tích hợp sẵn, được phục vụ dưới tên Qwen3.8-Flash trên QwenCloud với model ID qwen3.8-flash.
Giá cả chính là nơi mô hình này cạnh tranh mạnh nhất:
- Input: 0,16 USD trên 1 triệu token
- Output: 0,47 USD trên 1 triệu token
Để so sánh, Qwen3.8-Max được niêm yết ở mức 2,00 USD input và 6,00 USD output trên 1 triệu token, nên Flash-Next rẻ hơn chính đàn anh Max của mình hơn 10 lần về giá input. QwenCloud hỗ trợ Chat Completions và Responses API tương thích OpenAI cộng một giao diện tương thích Anthropic, nên tích hợp được vào Claude Code, Codex và Qwen Code với thay đổi cấu hình tối thiểu.
Lưu ý tại thời điểm công bố, API được liệt kê là sắp ra mắt, nên cần kiểm tra QwenCloud để biết tình trạng khả dụng thực tế.
Kết luận
Đây có thể xem là một lựa chọn mặc định mạnh cho pipeline dùng tool và nặng về coding, kèm hai lưu ý: các báo cáo cộng đồng ghi nhận đôi khi mất ổn định trên các chuỗi agentic rất dài và độ giòn khi tool trả về JSON không chuẩn, và mô hình kém thận trọng hơn về an toàn so với dòng Claude, nên cần prompt cẩn thận cho nội dung ở ranh giới. Kết quả HLE và Agents’ Last Exam cũng cho thấy đây không phải mô hình nên tìm đến cho các bài kiểm tra reasoning khó nhất kiểu học thuật.
Là một bản xem trước sớm kiến trúc Qwen4, thiết kế lai GDN kết hợp QSA và N-gram Embedding đáng để theo dõi, vì đây chính là nền tảng mà toàn bộ dòng Qwen4 sẽ được xây dựng trên đó.
Câu hỏi thường gặp
Qwen3.8-Flash-Next so với Qwen3.8-Max khác nhau thế nào?
Qwen3.8-Flash-Next là tầng hiệu quả chi phí, thiết kế MoE 125B tổng/6B hoạt động, giá 0,16 USD input và 0,47 USD output trên triệu token. Qwen3.8-Max là flagship với 2,4 nghìn tỷ tham số tổng và khoảng 2,00 USD input/6,00 USD output. Flash-Next nhắm vào khối lượng công việc coding và agent lớn, còn Max nhắm vào kỹ thuật tự động nhiều ngày.
Có thể truy cập Qwen3.8-Flash-Next ở đâu?
Trọng số mở khả dụng trên Hugging Face và ModelScope. Phiên bản sản xuất, Qwen3.8-Flash, được phục vụ trên QwenCloud với model ID qwen3.8-flash, hỗ trợ API tương thích OpenAI và Anthropic. Tại thời điểm công bố, API được liệt kê là sắp ra mắt, nên cần kiểm tra tình trạng thực tế trên QwenCloud.
Giá của Qwen3.8-Flash-Next bao nhiêu?
Trên QwenCloud, mô hình có giá 0,16 USD trên 1 triệu input token và 0,47 USD trên 1 triệu output token, rẻ hơn Qwen3.8-Max (2,00 USD/6,00 USD) hơn 10 lần về giá input, đây chính là điểm bán hàng chính cho các ứng dụng khối lượng lớn.
Qwen3.8-Flash-Next có tốt hơn Claude Opus 4.6 Max không?
Tùy tác vụ. Qwen3.8-Flash-Next vượt Claude Opus 4.6 Max trên phần lớn benchmark coding và agent, gồm SWE-bench Pro (62,5 so với 53,4), CoWorkBench (73,9 so với 68,2) và JobBench (55,7 so với 36,6). Claude vẫn giữ lợi thế ở một số benchmark reasoning kiểu bài thi, đạt 40,0 trên Humanity’s Last Exam so với 35,9 của Qwen.
Trường hợp sử dụng nào hưởng lợi nhiều nhất từ Qwen3.8-Flash-Next?
Phù hợp nhất với khối lượng công việc lớn, nhạy cảm về chi phí: agent coding cấp repository, pipeline dùng tool, tự động hóa văn phòng dài hạn, và tác vụ đa phương thức liên quan văn bản, hình ảnh, video. Context 1M token và thông lượng prefill tăng tới 8,6 lần so với Qwen3.7-Plus khiến mô hình mạnh cho truy xuất long-context. Mô hình kém phù hợp hơn cho reasoning khó nhất kiểu bài thi và các chuỗi agent rất dài, nơi cộng đồng ghi nhận đôi khi mất ổn định.
