导读GLM-5.3-Flash 与 Qwen3.8-Flash-Next 同期开放权重，一个每 Token 激活 18B 参数，一个激活 6B。两者都在混合注意力、稀疏检索和系统协同上做减法，却走出了不同路线。这场碰撞真正改变的，不是谁在某张榜单上高几分，而是前沿模型开始认真计算：每一份算力究竟能换来多少有效工作。
两款 Flash 撞在一起，不只是名字巧合
2026 年 8 月 26 日，两款带着“Flash”的开放权重模型进入同一张牌桌。
一边是智谱的 GLM-5.3-Flash。它此前以 Ox Alpha 的匿名身份在 OpenRouter 和 OpenCode 接受真实流量测试，正式发布时公布的规模是 320B 总参数、18B 激活参数。另一边是 Qwen3.8-Flash-Next：125B 主模型，每个 Token 激活 6B，另外还有 51B 的 N-gram Embedding，并且提前展示了 Qwen4 将采用的架构方向。
如果只看名字，很容易把 Flash 理解成旗舰模型的轻量版。但这两款模型都在重新安排计算：把历史压进固定状态，只在需要时检索部分上下文，把部分容量挪到加速器之外，再协同优化训练与推理系统。
因此，不能只拿总参数或跑分做胜负表。真正可比的是：计算花在哪里，又省掉了什么。
先统一口径：18B 和 6B 到底代表什么
GLM 的 18B、Qwen 的 6B，都是每个 Token 实际激活的主干参数量，不是模型下载后只占这么多内存。
MoE（混合专家模型）由路由器为每个 Token 选择少数专家。激活参数越少，通常意味着主干计算量更低；但完整权重仍要存储，KV Cache、跨卡通信和视觉编码也不会消失。
这几项成本不能按一个参数量同比换算：总参数结合权重精度决定权重存储；激活参数主要影响每个 Token 的主干计算；KV Cache 则主要由上下文长度、注意力层数、KV Head 数、每个注意力头的维度和缓存精度决定，并不直接随总参数或激活参数同比变化。
Qwen 还另有 51B N-gram Embedding。这个表可放在主机内存并异步预取，以较少额外 FLOPs 增加容量，却依然需要存储和带宽。因此，“6B 激活”不能翻译成“6B 模型的部署成本”。
社区发布讨论中，一个集中疑问是：两款模型对普通本地设备仍然太大。一名用户报告，Qwen 的 87GiB Q4 量化版本可在 128GB 统一内存设备上运行，但当时依赖尚未合并的 llama.cpp 支持和额外修复。它证明了可运行，不代表普通开发者已能轻松部署。
所以，第一条判断很简单：Flash 描述的是效率方向，不是统一尺寸，更不是“小模型”的认证标签。
GLM 的路线：从注意力一路抠到国产芯片
GLM-5.3-Flash 把重点放在长上下文服务成本上。它采用三层线性注意力搭配一层稀疏注意力的混合结构：线性注意力用递归状态保留局部和连续信息，稀疏注意力再从长上下文中找回真正相关的全局片段。
“找哪些内容值得注意”本身也要花钱。IndexPool 先把索引器的 4 个 Key 缓存向量池化成 1 个，再进行 Top-K 选择。
图片说明：左侧展示 GLM-5.3-Flash 的混合注意力与 IndexPool，右侧是官方给定口径下逐层 KV Cache 和注意力计算对比。图片来源：Z.ai GLM-5.3-Flash 官方博客
按 Z.ai 公布的逐层、逐 Head、BF16 口径，相比 GLM-5.3，Flash 版本的注意力计算量下降约 3.01 倍，KV Cache 缩小约 4.44 倍。这个结果很重要，但边界也要说清：它不是端到端吞吐，更不是与 Qwen 在同一硬件上的直接对决。官方图甚至明确显示，GLM-5.3-Flash 的 KV Cache 仍略高于其中对照的 Kimi-K3 和 DeepSeek-V4-Flash。
GLM 更有辨识度的部分发生在模型之外。官方称，Ox Alpha 的真实请求由国产芯片集群承载。团队在 SGLang 上构建专用引擎，加入 ReplaySSM、W8A8、混合精度缓存，以及分离多模态编码、Prefill 和 Decode 的 EPD 架构。
相对同一硬件上的初始基线，官方报告端到端服务性能提高了 3 倍。这里能得出的稳妥结论，不是国产芯片已经在所有任务上等同某款 GPU，而是模型架构、并行方式、量化和调度必须共同设计，低激活参数才能真正变成服务成本。芯片型号、实际启用规模和第三方复现尚未公开，这条边界也必须保留。
Qwen 的路线：不只少算，还把容量搬出去
Qwen3.8-Flash-Next 同样采用“线性记忆 + 全局检索”的混合思路，但具体结构不同。
每四层中，三层使用 Gated DeltaNet（GDN），把历史压缩进固定大小的循环状态；一层使用 Qwen Sparse Attention（QSA），保留直接访问远距离 Token 的能力。QSA 不再让索引器逐 Token 搜索，而是先把上下文聚合成 micro-block，在块级别估计相关性，再对选中的区域执行稀疏注意力。
图片说明：Qwen 每四层交替使用三层 GDN 与一层 QSA，同时引入四分支 Gated Residual、N-gram Embedding 和 MTP。图片来源：Qwen3.8-Flash-Next 技术报告 Figure 1
技术报告给出的 1M 上下文实验中，QSA 相对稠密 GQA 的注意力模块在 Prefill 和 Decode 阶段分别达到 7.6 倍和 4.9 倍加速。这里同样要盯住限定词：这是 kernel-level 的注意力模块测试，不是完整模型端到端速度。
Qwen 还从三处继续压效率：Gated Residual 把残差流扩成四条分支，以动态门控制读写；N-gram Embedding 把部分局部模式容量放到加速器之外；Muon 优化器则重新处理正交化、参数分工和融合矩阵，并重新拟合学习率与批量大小。
结果是，相比 Qwen3.7-Plus，Qwen3.8-Flash-Next 使用约三分之一的激活参数、三分之一的训练 Token，训练 FLOPs 约为九分之一。在 14 个预训练基准中，它有 8 个领先，其余 6 个最多落后 2.6 分。但这是 Base 模型与官方评测口径，能支持“预训练效率明显提高”，不能直接改写成“产品能力全面超过前代”。
GLM 更像是在回答：一套前沿模型怎样在真实集群上便宜地服务。Qwen 则更系统地回答：架构、容量和训练稳定性怎样一起重做。共同点是，它们都不再把效率当作模型训练完成后的部署补丁。
每百万 Token 只是单价，Agent 要算整项任务
到了 Agent 场景，Token 单价越来越像出租车的每公里价格：有用，但它不会告诉你绕了多少路、堵了多久，最后有没有到目的地。
一个模型单次调用很便宜，如果计划经常遗漏步骤、工具调用失败后反复重试，完整任务仍可能更贵。反过来，一个单价略高的模型若能减少轮次、复用缓存并稳定完成任务，总账未必更差。
因此，开发者评估这类 Flash 模型，至少要拆开五件事：
成功率：在自己的代码库、办公流程或视觉任务上，最终交付是否通过验收。
总 Token：输入、缓存输入、思考与输出合计多少，而不是只看一次请求。
延迟：Prefill、Decode、工具等待和失败重试分别耗时多少。
部署代价：完整权重、量化损失、KV Cache、内存带宽与跨卡通信能否承受。
稳定性：同一任务多跑几次，计划遗漏、提前结束和格式错误是否可控。
目前公开证据还不足以宣布 GLM 与 Qwen 谁赢。两家的测试条件并不统一：Qwen 的技术报告提供了更完整的训练和 Kernel 消融，GLM 则公开了更多国产芯片服务栈信息。把这些数字强行合成一个总分，只会制造精确的错觉。
但两款 Flash 同期出现，已经给出一个更值得记住的信号：大模型没有停止追求能力，只是“更大”不再自动等于“更先进”。下一阶段真正难复制的，可能是让模型少激活一些参数、少搬一些缓存、少走几轮弯路之后，仍然把任务做完。
参数表还会继续变大。工程账本，终于开始变细。
参考资料
GLM-5.3-Flash 官方博客： https://z.ai/blog/glm-5.3-flash
GLM-5.3-Flash 官方模型卡： https://huggingface.co/zai-org/GLM-5.3-Flash
Qwen3.8-Flash-Next 官方仓库： https://github.com/QwenLM/Qwen3.8-Flash-Next
Qwen3.8-Flash-Next 技术报告： https://github.com/QwenLM/Qwen3.8-Flash-Next/blob/main/tech_report.pdf
Qwen3.8-Flash-Next 官方博客： https://qwen.ai/blog?id=qwen3.8-flash-next
GLM-5.3-Flash 社区发布讨论： https://www.reddit.com/r/LocalLLaMA/comments/1vyy3k6/glm53flash_frontier_intelligence_flash_cost/
Qwen3.8-Flash-Next 本地部署案例： https://www.reddit.com/r/LocalLLM/comments/1vz5wa1/qwen38flashnext_125ba6b_running_on_strix_halo/
— THE END —
文章仅做学术分享，如有侵权请联系删除，非常感谢！