什麼是專家混合（MoE）模型？
專家混合模型保留很大參數池，每一步 只啟動一部分。Qwen3.8-Flash-Next 文件寫總參數 125B、每一步 啟動 6B。實際效果是容量更大，卻不必在每一步 上付滿額稠密模型的算力帳單。
Qwen3.8-Flash 詳解
截至 2026-09-01，阿里雲通義千問團隊已於 2026-08-26 開源 Qwen3.8-Flash-Next：125B 多模態 MoE，每一步 啟動 6B 參數，另有 51B N-gram 嵌入。原生上下文 262K 單位，YaRN 可延伸至 1M。若你要從長影片抽出章節，貼上連結即可——不必自己託管 125B 權重。
開源 · 2026-08-26 125B MoE · 啟動 6B 下方可試用
Get the notes, skip the architecture diagram
Paste a long-form video URL — BibiGPT turns it into chapters, a transcript, and follow-up Q&A.
將 BibiGPT 設為 Google 優先來源 在熱門報導和 AI 總覽裡看到更多 BibiGPT。 
1 
2 
3
關鍵事實（90 秒讀完）
截至 2026-09-01，阿里雲通義千問團隊已於 2026-08-26 開源 Qwen3.8-Flash-Next：125B 多模態 MoE，每一步 啟動 6B，另有 51B N-gram 嵌入，原生 262K 上下文（YaRN 可至 1M），訓練成本約為 Qwen3.7-Plus 的九分之一。最後更新 2026-09-01。
Features
Qwen3.8-Flash-Next 實際是什麼
2026-08-26，通義千問團隊開源 Qwen3.8-Flash-Next，作為 Qwen4 的架構預覽。正式 API 名稱是 Qwen3.8-Flash。同一世代、兩種介面：權重對上託管端點。
125B MoE、啟動 6B，另加 51B N-gram 嵌入
通義千問說明主模型 1250 億參數，每一步 啟動 60 億，另有 510 億 N-gram 嵌入參數可放在系統記憶體而非顯示卡記憶體。
原生 262K 上下文，YaRN 可至 1M
預設上下文視窗為 262,144 上下文單位。通義千問稱 YaRN 可拉到一百萬單位，應付長檔案與長對話。講座文字稿仍需要章節；寬視窗不是筆記本。
訓練成本約為 Qwen3.7-Plus 的 1/9
通義千問稱訓練 Qwen3.8-Flash-Next 的成本約為 Qwen3.7-Plus 的九分之一，並在程式與辦公任務上有提升。這是廠商的訓練成本主張，不是使用者售價。
若你處理長影片，這意味著什麼
更便宜的長上下文多模態模型，對 API 團隊有幫助。它本身不會替學生從兩小時 B 站上傳生出帶時間戳的筆記。後半段工作，正是 BibiGPT 的產品位置。
你不該自己託管 125B 權重
貼連結，拿到章節、文字稿與後續問答。BibiGPT 支援用 Qwen3.8-Flash 做長篇筆記——你不用去挑架構圖。
長上下文只有留住筆記才划算
90 分鐘講座仍需要時間戳與可匯出檔。一次便宜的 API 呼叫若從不歸檔就白費；帶章節的總結才是下週還能搜的文件。
這不是 Qwen 3.6，也不是 Qwen3-ASR
Qwen 3.6 是更早的多模態世代。Qwen3-ASR 是語音辨識家族。本頁只談 2026-08-26 的 Flash-Next／Flash 事件。一個意圖，一個 URL。
5 條關鍵變化（90 秒讀完）
來自通義千問 2026-08-26 Qwen3.8-Flash／Flash-Next 發布的核心事實。
- 1
2026-08-26 開權重
通義千問同晚在 Hugging Face 與 ModelScope 釋出 Qwen3.8-Flash-Next（含 FP8 建置），定位為 Qwen4 的架構預覽。
- 2
125B MoE、啟動 6B、51B N-gram 嵌入
通義千問文件寫主模型 125B、每一步 啟動 6B，另有 51B N-gram 嵌入可放在系統記憶體而非顯示卡記憶體。
- 3
原生 262K 上下文，YaRN 可至 1M
預設上下文為 262,144 上下文單位。通義千問稱 YaRN 可延伸至一百萬單位，應付長檔與長執行緒。
- 4
訓練成本約為 Qwen3.7-Plus 的 1/9
通義千問聲稱 Flash-Next 訓練成本約為 Qwen3.7-Plus 的九分之一，程式與辦公任務分數更高。這是廠商的訓練成本數字。
- 5
API 牌價：每百萬單位 1 元／3 元
Reuters 報導託管 Qwen3.8-Flash API 牌價為每百萬輸入單位 1 元、每百萬輸出單位 3 元。編預算前請在 QwenCloud 確認。
BibiGPT 使用者的 3 個典型場景
更便宜的長上下文通義千問模型真正有用的地方——以及摘要器才是真正產品的地方。
你已經自己跑通義千問
用開權重或 Flash API 撐自己的程式與辦公堆疊。然後仍把上完的講座貼進 BibiGPT，讓人拿到章節，而不是原始文本 傾倒。
你只是要長中文影片的筆記
兩小時 B 站上傳不需要一份 Qwen4 架構簡報。貼網址、匯出文字稿、繼續追問。這才是 BibiGPT 路徑。
你在比較通義千問世代
Qwen 3.6 是上一則多模態詳解。Qwen3-ASR 是語音辨識。本頁只談 Flash／Flash-Next。一個模型家族事件，一個 URL。
相關 BibiGPT 工具
與這次釋出搭配的長影片筆記工作流。
來源
本頁規格來自通義千問 2026-08-26 發布說明與 Reuters 同日報導。
-
通義千問於 2026-08-26 開源 Qwen3.8-Flash-Next，為 125B 多模態 MoE，每一步 啟動 6B、另有 51B N-gram 嵌入、原生 262K 上下文（YaRN 可至 1M），訓練成本約為 Qwen3.7-Plus 的 1/9。
GitHub — QwenLM/Qwen3.8-Flash-Next ↗ -
Reuters 報導 2026-08-26 發布、預設 262,144 上下文單位 視窗（可擴至 100 萬）、訓練成本約為 Qwen3.7-Plus 的九分之一，以及每百萬輸入／輸出 單位 1 元／3 元的 API 牌價。
Reuters — Alibaba's Qwen launches Qwen3.8-Flash ↗ -
IT之家同日中文簡報：北京時間 23:00 於 Hugging Face 與 ModelScope 開權重，並提及 1 元／3 元 API 牌價。
IT Home — Qwen3.8-Flash (Next) ↗
本頁用詞
262K 上下文視窗對影片筆記有什麼用？
262,144 上下文單位 的視窗可以一次塞進長文字稿加指令。它本身不會產出章節、時間戳，或下週還能搜的匯出檔。那些產物是影音筆記產品該做的事。
深受創作者、學生和研究人員的喜愛
看看大家為什麼每天都用 BibiGPT 把影片轉成文字。
全球 50,000+ 使用者的信賴之選
★★★★★
“貼上連結幾秒鐘就拿到乾淨的字幕文字，每週幫我省下好幾個小時的手動整理時間。”
Maya R.
內容創作者 · 二次創作短影片
★★★★★
“匯出逐字稿後我可以按自己的節奏複習生詞，再也不用反覆暫停影片了。”
Daniel K.
語言學習者 · 用真實影片學外語
★★★★★
“準確、帶時間戳的文字可以直接引用，它已經悄悄成為我日常工作流程的一部分。”
Priya S.
研究人員 · 引用公開演講
FAQ
常見問題
歡迎提問！
Popular guides
1 B站AI影片摘要工具推薦：BibiGPT一鍵摘要30+平台影片（2026精選）
B站AI影片摘要工具哪個好？BibiGPT支援30+平台、100萬+用戶信賴，一鍵貼上連結即可產生結構化摘要。本文深度對比5大工具，含AI Agent 自動化方案。
2 How to Install Skills in DeepSeek Harness: A Hands-On Guide to Teaching dsh to Watch Videos
Install a video-summary skill into DeepSeek Harness in one copy-paste — SKILL.md matches Claude Code. Or skip dsh: paste a Bilibili or YouTube link in the browser and get a timestamped summary.
3 How to Reverse a Video Without an App — Free, In-Browser, No Download (2026)
Reverse any video free with no app and no download, right in your browser. Step-by-step for iPhone, Android, and PC, plus how to reverse audio (2026).