阿里Qwen3.8开源2.4T参数旗舰模型
Nashnova编辑部
阿里巴巴首次将旗舰级大模型Qwen3.8以开放权重发布，总参数2.4T，打破此前「小模型开源、大模型只卖API」的惯例——这意味着开发者第一次能直接拿到Max级别的完整模型权重。
为什么这次开源不一样？
过去Qwen每代都是双轨制：小模型（如72B）开放权重，旗舰Max只提供API调用。
Qwen3.8-2.4T是首次把Max级别模型直接放出来，开发者可以自己部署、修改、商用。
这意味着→ 阿里主动放弃了旗舰模型的"围墙花园"，用开源换生态——竞争从卖API转向争夺开发者社区。
2.4T参数的模型长什么样？
总共92层、2.4T参数，但每个Token只激活其中95B——这是MoE架构（混合专家，把模型分成512个"专家"小模块，每次只调用10个干活，省算力）。
注意力机制用的是"混合架构"：69层线性注意力 + 23层传统全注意力，比例约3:1。用大白话说＝ 大部分层用省算力的"快通道"，每隔三层插一层精度更高的"慢通道"，兼顾速度和质量。
原生上下文262K Token，可扩展到约100万Token，并做了多Token预测（MTP，一次猜3个词而非逐词生成，加快推理速度）训练。
跟月之暗面Kimi K3有多像？
K3的93层中同样是69层线性注意力 + 24层全注意力，比例也约3:1——两家架构高度趋同。
主要差异：K3额外引入了注意力残差（AttnRes）机制，允许模型重新组合多个历史层的输出；Qwen3.8仍用较传统的Pre-Norm残差结构。
这反映出 2—3T参数级的旗舰模型正在架构层面快速收敛，差异化空间越来越小。
部署门槛降到了什么程度？
完整精度（BF16/FP8）至少需要两台英伟达B300或AMD MI355X节点。
第三方框架Inferact提供FP4量化版本，压缩后可在单节点上跑起来。用大白话说＝ 从"两台顶级服务器"降到"一台"，虽然仍然贵，但部署门槛砍了一半。
推理阶段组合使用张量并行（TP，把矩阵计算拆到多块GPU）、数据并行（DP）和专家并行（EP，把不同专家分到不同GPU），通过融合通信降低调度开销。
后训练的重心去了哪里？
Qwen把Agent执行列为核心升级方向——自主规划、环境反馈处理、端到端任务完成。
评测增量集中在Agent任务：Terminal Bench从74.5→86.6，PaperBench从64.8→93.0，JobBench从31.3→53.4；而传统知识推理基准GPQA Diamond仅从92.4微升至92.6。
这意味着→ 旗舰模型的竞争焦点正从"答题更准"转向"能独立干活"——单轮问答的边际收益已经很薄，长程Agent才是增量战场。
开源许可证藏了什么门槛？
开源版是纯文本、仅thinking模式、262K上下文；云端Max额外支持视觉输入、non-thinking模式、默认1M上下文和内置工具——并非完整复刻。
许可证从Apache 2.0改为专用的Qwen3.8-Max License：允许商用，但月活超1亿或月收入超2000万美元须显著展示模型名称；MaaS或AI工作助手企业、年收入超5000万美元须另行授权。
Kimi K3同样采用自定义许可证、设置类似门槛。这反映出 头部开源模型正在形成新共识：小团队随便用，大公司要付费或署名——开源的定义正在被重新划线。
Content is for reference only, not financial advice.