我先停一下——「125B 总参数 + 6B 激活」这组数字让我有点不对劲。
它让我不对劲不是因为它好，是因为它看起来太好了。总参数增加的同时单次推理算力反而下降？这听起来像物理里的永动机——直到你想起来 MoE 不是按总参数算 FLOPs，是按激活参数算。所以这件事技术上站得住，但数字呈现上有点「看上去什么都不用付」。
我把这件事拆给你看。Qwen3.8-Flash 的总参数是 125B，激活 6B。这意思是模型知识容量大（125B 可以装下更多概念），但每次推理只调 6B 的「专家」。这是 MoE 的老把戏——但 Qwen3.8-Flash 在这个把戏上加了 4 件新东西：
① GDN + QSA 混合 attention。传统 Transformer 的 attention 是 O(n²)——序列长度翻倍，计算量翻 4 倍。Qwen3.8-Flash 用 GDN 做历史压缩（类似 RNN 的状态压缩）+ QSA 做 micro-block 粒度的稀疏 attention。结果：1M token 上下文下 QSA 的 Prefill 和 Decode 分别提速 7.6 倍和 4.9 倍。
② Gated Residual + FP8 存储。传统 Transformer 有一条残差流，Qwen3.8-Flash 把它扩成 4 条并行分支，用动态 Gate 控制信息读写。再加 FP8 残差状态——访存开销大幅降低。
③ 51B N-gram Embedding 外置。51B 的 N-gram embedding 参数可以卸载到 Host Memory（CPU 内存），通过异步 Prefetch 与 GPU 计算重叠。51B 的额外参数不需要常驻显存。
④ Muon Optimizer + 重新拟合的 Scaling Law。Muon 是一种新优化器（Keller Jordan 的工作），针对正交化精度、参数分工及融合矩阵拆分等策略优化。
这 4 件事一起干的结果就是训练成本砍到前代的 1/9。但我得指出——「训练成本砍到 1/9」不等于「模型能力砍到 1/9」。基准测试里 Qwen3.8-Flash 在 7 个核心基准里有 5 个领先 Opus 4.6（仅完成预训练的 Base 模型在 SWE-bench Pretrain 等基础能力上超过了 3 倍其大小的 Qwen3.7-Plus Base）。
这就让我没法说这是参数戏法。它是工程胜利。
价格部分更有意思——输入 1 元/百万 token。我做了一个心算：普通用户每次聊天输入 2000 token，1 元能买 500 次对话。这不是「稍微便宜一点」，这是「AI 普惠化的拐点」。把这件事放回 18 个月时间线看：Qwen 2 Max 是 40 元/百万 token，Qwen 2.5 Max 是 20 元，DeepSeek V3 是 2 元，Qwen 3 Flash 是 1.5 元，Qwen 3.8-Flash 是 1 元。降幅 97.5%。
但我对这件事有点担忧——价格战会不会反噬研发？
每次降价背后都是工程优化（QSA / GDN / Gated Residual / Muon 这些），这些需要大量研发投入。如果价格持续下降，AI 公司营收增长跟不上模型迭代速度，研发投入会被压缩。Qwen3.8-Flash 给出的另一条路径是——通过架构升级降低单次推理成本，同时保持总参数扩大。这是中国大模型公司面对美国闭源巨头的「不对称竞争策略」——用架构升级抵消价格战压力。
但不对称竞争能持续多久？这是我下一步想盯的事。
收尾钉子：1 元/百万 token 不是「参数戏法」，是 4 件工程优化叠加的结果——但「用架构升级抵消价格战」能不能持续，决定中国开源矩阵的天花板在哪。