数据来源非线智能Nonelinear 非线智能团队，维护着GitHub上的开源项目 chinese-llm-benchmark，目前 6,000+ Stars，长期占据中文LLM商业评测类项目Star数第一

github （非线智能）官网正文：

阿里通义千问发布了Qwen3.8-Flash，官方将其定位为一款多模态MoE模型，同时也是面向Qwen4架构的早期预览。需要说明的是，官方博客中的开源权重版本名为Qwen3.8-Flash-Next，QwenCloud上的生产API名称为qwen3.8-flash；本次ReLE评测使用的是API版本qwen3.8-flash，下文统一称qwen3.8-flash。本次ReLE评测侧重中文场景下的综合能力考察，覆盖教育、医疗、金融、法律、推理数学、语言指令、Agent工具调用以及coding八个板块。

qwen3.8-flash版本表现：

  • 测试题数：约1.5万
  • 总分（准确率）：74.0%
  • 平均耗时（每次调用）：64s
  • 平均token（每次调用消耗的token）：3904
  • 平均花费（每千次调用的人民币花费）：10

1、新旧对决

对比上一代参照模型qwen3.5-flash，qwen3.8-flash在ReLE中文综合评测中的变化很明确：总分上移，排名明显前进，响应时间和token消耗明显下降，实际每千次调用花费基本保持在同一档位。数据如下：

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】阿里 Qwen3.8 Flash 实测:Qwen4架构前瞻，轻量级多模态MoE新标杆引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】阿里 Qwen3.8 Flash 实测:Qwen4架构前瞻，轻量级多模态MoE新标杆

*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark

*输出价格单位： 元/百万token


  • 总分上升：qwen3.8-flash总分从68.9%提升至74.0%，提升5.1个百分点，榜单排名从第43位升至第15位。对于Flash线来说，这次变化把模型从中游位置推到了榜单前十五。
  • 推理数学和教育提升最突出：推理与数学计算从79.0%提升至87.7%（+8.7个百分点），教育从56.5%提升至64.9%（+8.4个百分点）。
  • 医疗和法律也有所提升：医疗与心理健康从80.7%提升至86.8%（+6.1个百分点），法律与行政公务从80.3%提升至86.3%（+6.0个百分点）。这两类专业场景对错误率更敏感，实际使用时仍需要结合人工复核；这里只能说明模型在相关中文题库上的准确率提高。
  • 语言指令和工具调用改善较温和：语言与指令遵从从66.5%提升至72.2%（+5.7个百分点），agent与工具调用从62.9%提升至66.5%（+3.6个百分点）。其中语言指令接近整体增幅，Agent工具调用则仍不是最突出的分项。
  • 金融和coding微幅变化：金融从77.1%提升至78.8%（+1.7个百分点），coding从58.9%提升至60.5%（+1.6个百分点）。这两项虽未回调，但增幅明显低于推理、教育、医疗和法律。
  • 响应时间明显缩短：平均耗时从344s降至64s，减少280s，耗时约为上一代的19%。这对高频调用、交互式问答和需要较快返回的业务场景更有意义。
  • Token消耗下降：平均token从5414降至3904，减少1510，降幅约28%。与此同时，输出价格从2.0元/百万token升至2.7元/百万token，但每千次调用花费从10.4元降至10元。

2、横向对比

在当前主流大模型竞争格局中，qwen3.8-flash作为阿里Flash线的新版本表现如何？我们从三个维度进行横向对比分析：

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】阿里 Qwen3.8 Flash 实测:Qwen4架构前瞻，轻量级多模态MoE新标杆
*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark

同成本档位对比

  • 9至11元区间的高位模型：qwen3.8-flash（74.0%，10元）处在每千次调用约10元的低花费区间。同区间的直接参照包括qwen3.5-flash（68.9%，10.4元）和step-3.5-flash（64.0%，9.8元）。在这一组中，qwen3.8-flash的中文综合总分更高。
  • 向下看更低花费模型：Doubao-Seed-2.0-mini（69.3%，7元）、Doubao-Seed-2.0-lite（70.5%，5.4元）和deepseek-v4-flash（68.8%，4.9元）调用花费更低，但总分与qwen3.8-flash相差3.5至5.2个百分点。对于极低预算调用，这些模型仍可作为备选；如果希望在较低花费下保持更高中文综合准确率，qwen3.8-flash的位置更靠上。
  • 和上一代Flash相比：qwen3.8-flash（74.0%，64s，10元）相比qwen3.5-flash（68.9%，344s，10.4元），总分高5.1个百分点，耗时明显缩短，花费基本持平。
  • 向上看Plus线模型：qwen3.7-plus（73.5%，31.7元）和qwen3.5-plus（73.3%，22.9元）的总分都略低于qwen3.8-flash，但每千次调用花费更高。
  • 速度位置居中：qwen3.8-flash平均耗时64s，快于qwen3.5-flash（344s）、Doubao-Seed-2.0-lite（276s）和Doubao-Seed-2.0-mini（343s），但慢于deepseek-v4-flash（49s）、step-3.5-flash（36s）以及部分低延迟闭源模型。它的速度优势主要体现在相对上一代和部分低花费模型，而不是全榜低延迟第一梯队。

新旧模型对比

  • Flash线位置明显上移：qwen3.5-flash（68.9%，第43位）此前更多承担低花费调用角色；qwen3.8-flash（74.0%，第15位）则进入了更靠近头部的区域。结合每千次调用花费基本持平，这次代际变化同时体现在分数、响应时间和token消耗上。
  • 阿里产品线主要参照：当前榜单中，阿里系可重点参考qwen3.7-max（76.9%，99元）、qwen3.6-max-preview（75.4%，139.2元）、qwen3.8-max（75.4%，107.3元）、qwen3.8-flash（74.0%，10元）、qwen3.7-plus（73.5%，31.7元）、qwen3.5-plus（73.3%，22.9元）和qwen3.5-flash（68.9%，10.4元）。qwen3.8-flash的出现，使阿里在10元档附近多了一个更高分的选择。

开源/商用对比

  • 商用低花费档的上沿：在商用模型中，qwen3.8-flash高于gemini-3-flash-preview（71.2%，53.5元）、Doubao-Seed-2.0-lite（70.5%，5.4元）和Doubao-Seed-2.0-mini（69.3%，7元）。它仍低于gemini-3.7-flash（75.4%，27.8元）等模型，但花费显著更低。
  • 开源模型的参照压力仍在：kimi-k3（75.6%，172.4元）、glm-5.3（75.2%，134.9元）和deepseek-v4-pro（74.9%，94.1元）在总分上高于qwen3.8-flash，但调用花费也处在更高区间。另一方面，deepseek-v4-flash（68.8%，4.9元）花费更低但总分差距较大。因此，是否选择qwen3.8-flash，取决于任务上限、响应速度和调用花费的权重。

3、官方评测

根据Qwen官方博客（https://qwen.ai/blog?id=qwen3.8-flash-next），以下仅整理官方公布的评测结果。由于官方基准涉及不同harness、公开分数和内部评测集，横向比较需留意测试口径差异。

文本、代码与Agent基准

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】阿里 Qwen3.8 Flash 实测:Qwen4架构前瞻，轻量级多模态MoE新标杆

官方将Qwen3.8-Flash-Next与Qwen3.8-27B、Qwen3.7-Plus、DeepSeek-V4-Flash-0731和Claude-Opus-4.6（Max）等模型进行了对比。摘取几项关键结果如下：

  • 代码与软件工程：DeepSWE 1.1为58.7，SWE-bench Pro为62.5，SWE-bench Multilingual为81.0，LiveCodeBench v6为91.9。
  • Agent任务：CoWorkBench为73.9，JobBench为55.7，Toolathlon Verified Pass@1为73.5，Agents' Last Exam为Pass@1 24.3、Score 51.2。
  • 通用与推理：IFBench为81.3，GPQA Diamond为91.7，HLE为35.9。

官方说明中，DeepSWE 1.1使用Claude Code和mini-SWE-agent harness，SWE-bench Pro除Claude-Opus-4.6（Max）使用官方公开分数外，其余模型使用Claude Code harness；HLE由GPT-4o评判。这些口径会影响不同模型之间的直接比较。

多模态与视觉Agent基准

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】阿里 Qwen3.8 Flash 实测:Qwen4架构前瞻，轻量级多模态MoE新标杆

官方给出的Vision Language结果中，Qwen3.8-Flash-Next在ClawEval-MM上为Pass@3 64.4、Average 60.4；RecreationBench为49.9；AndroidWorld为84.5；OSWorld 2.0为Binary 19.4、Partial 52.3；Vision2Web为64.0。

通用多模态部分，官方公布的结果包括ERQA 72.3、LVBench 76.6、RealWorldQA 88.5、MathVision Without CI 90.6 / With CI 95.7、CharXiv（RQ）Without CI 84.6 / With CI 90.6。官方说明中，ClawEval-MM按Pass@3和三次平均分报告，OSWorld 2.0按binary和partial两种分数报告，MathVision与CharXiv则区分是否使用CI。

Base模型基准

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】阿里 Qwen3.8 Flash 实测:Qwen4架构前瞻，轻量级多模态MoE新标杆

官方还比较了Qwen3.8-Flash-Next-Base与Qwen3.8-27B-Base、Qwen3.7-Plus-Base。官方表中，Qwen3.8-Flash-Next-Base在14项基准中的8项取得同组最高结果，包括MMLU-Pro 73.23、SuperGPQA 51.36、BBH 90.87、GSM8K 93.29、EvalPlus 78.76、SWEBench-Pretrain 50.99、MGSM 89.33和MMMLU 84.86。

在其余项目中，官方表显示Qwen3.8-Flash-Next-Base与Qwen3.7-Plus-Base接近，但并非全部最高：MMLU为90.36，MMLU-Redux为90.68，GPQA为51.42，MATH为72.78，MultiPL-E为79.09，INCLUDE为78.40。

非线智能官网 https://nonelinear.com/static/models.html 已上线qwen3.8-flash，支持一键接入（附接入代码），添加客服 发送 体验金，可享20-50元首充奖励，欢迎对比体验。

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】阿里 Qwen3.8 Flash 实测:Qwen4架构前瞻，轻量级多模态MoE新标杆

快速接入代码如下：

from openai import OpenAI


client = OpenAI(
    base_url="https://api.nonlinear.com/v1",
    api_key="YOUR_API_KEY",
)


response = client.chat.completions.create(
    model="qwen3.8-flash",
    messages=[
        {"role": "user", "content": "分析一份中文产品需求文档，提取关键功能和风险点"}
    ],
)


print(response.choices[0].message.content)