拆了一个没有源码的模型:Qwen3.8-Max 到底做了什么

跑分之外 · 架构拆解第 5 期

说实话，写"架构拆解"拆一个没有公开技术报告、没有开源权重的 API 模型，这件事本身就挺荒诞的。

但 Qwen3.8-Max 偏偏就是这个状态——它安静地躺在百炼平台的模型列表里，chat.qwen.ai 上能直接调用，API 文档写得规规矩矩，但你翻遍整个 Qwen 官方博客和 arXiv，找不到一篇关于它的技术说明。

这让我更好奇了。

一个"不能说的模型"，往往比一个"什么都公开的模型"更能暴露一家公司的真实策略。今天我就从能拿到的所有信息——API 行为、定价、模型谱系定位、Qwen3 家族的技术底座——来反推这个模型到底做了什么。

先看它"不是什么"

Qwen3.8-Max 在百炼文档里有一个很有意思的标注：仅支持文本接口。

这句话看似平淡，但你把它放进 Qwen 的产品矩阵里看就很有意思了。

Qwen3.5 系列已经做到了原生视觉-语言多模态，397B-A17B 的参数量比 Qwen3 最大的开源模型还大。Qwen3.5-omni-plus 更是直接打通了文本、图像、音频、视频四模态。

在这样一个"全模态才是政治正确"的时间节点上，Qwen3.8-Max 作为一个旗舰级模型，居然只做文本？

我的判断是：这不是技术做不到，是刻意选择。

当你的多模态能力已经可以通过其他模型提供的时候，旗舰模型专注做一件事——把语言理解和推理做到极致——反而是更聪明的策略。就像 F1 赛车不会装全景天窗，不是因为装不了，是因为每一个克都要花在刀刃上。

1M 上下文和定价背后的信号

Qwen3.8-Max 的定价：输入 12 元/百万 token，输出 36 元/百万 token。

乍一看，这不便宜。但有一个细节让我愣了一下——它的计费档位上限是 1M token，没有阶梯加价。

什么意思呢？很多模型在上下文超过一定长度后会涨价，比如超过 128K 输入价格翻倍。但 Qwen3.8-Max 不管你是用 10K 还是 100 万 token 的上下文，价格一样。

这在工程上意味着什么？

意味着它的长上下文不是靠"推理时硬撑"实现的，而是从训练阶段就把长序列作为一等公民。否则，百万上下文的推理成本会比短上下文高得多，不可能维持统一定价。

回看 Qwen3 技术报告里的训练方案：第三阶段专门用了几百亿 token、32768 序列长度做长上下文训练，配合 YARN 和 Dual Chunk Attention 在推理时扩展到 128K。Qwen3.8-Max 大概率在这个基础上又往前推了一大步——从 128K 直接拉到 1M，而且保持了成本可控。

从 Qwen3 的 128K 到 Qwen3.8-Max 的 1M，上下文长度翻了将近 8 倍。这个跳跃不是简单的"把 rope base 调大一点"就能做到的，背后一定涉及注意力机制的工程优化。

我猜它用了某种形式的稀疏注意力或者 KV 缓存压缩。具体方案没有公开信息，但从定价的"不加价"策略来看，这个优化的效果是相当实在的。

深度思考模式：它到底在"想"什么

Qwen3.8-Max 支持深度思考（Deep Thinking），API 返回的 reasoning_tokens 字段会告诉你模型花了多少 token 在"想"上。

这个设计延续了 Qwen3 系列首创的 Thinking/Non-Thinking 混合模式——同一个模型，可以通过参数切换"快思考"和"慢思考"。

但 Qwen3.8-Max 的思考模式有一个值得注意的区别：它是纯文本的。

Qwen3 开源模型的思考过程可以通过 /think 和 /no_think 指令控制，思考内容会以标签输出。Qwen3.8-Max 的深度思考则通过 Responses API 的 reasoning 字段返回，看起来更像是一个封装过的推理链路。

这里有个有意思的对比。Anthropic 的 Claude Extended Thinking 把推理过程加密了，你看到的只是摘要。Qwen3.8-Max 至少给了你 reasoning_tokens 的计数，虽然具体内容是否完整公开取决于 API 实现，但至少在架构层面，它没有把思考过程完全黑箱化。

对于做 Agent 的开发者来说，能看到推理消耗的 token 数是有实际意义的——你可以据此做成本预估和延迟优化。这比"我帮你想好了，别问过程"要实用得多。

从 Qwen3 家族推测它的架构底座

虽然没有 Qwen3.8-Max 的官方架构文档，但我们可以从 Qwen3 技术报告中拼出它可能的技术底座。

Qwen3 家族最大的开源模型是 235B-A22B：

架构：MoE（Mixture-of-Experts）

总参数：235B，每 token 激活 22B

层数：94

注意力：GQA，64 Query Heads / 4 KV Heads

专家数：128，每 token 激活 8

位置编码：RoPE（base 从 10000 提升到 1000000）

归一化：RMSNorm + QK-Norm

激活函数：SwiGLU

训练数据：36 万亿 token

有几个设计选择特别值得说：

128 个专家但不用共享专家。Qwen2.5-MoE 有共享专家（每个 token 都会经过的"公共层"），Qwen3 去掉了。这个决定很大胆——共享专家像是安全网，去掉之后每个专家必须自己覆盖足够的知识面，但好处是路由更灵活、计算更高效。

QK-Norm。在注意力计算之前对 Query 和 Key 做归一化，防止大模型训练后期的 attention logit 爆炸。这个技巧来自 Gemma 2，Qwen3 学过来了。训练 235B 级别的模型，稳定性比什么都重要。

36 万亿 token 的三阶段训练。第一阶段 30 万亿 token 做通用预训练（序列长度 4096），第二阶段 5 万亿高质量 token 专攻推理和代码（还是 4096），第三阶段几百亿 token 做长上下文特化（序列长度拉到 32768）。

Qwen3.8-Max 作为旗舰，大概率在这个底座上做了至少三件事：

更大的模型规模— 235B 是开源版的规模，Max 版本几乎一定更大。具体多少不好猜，但参考行业惯例（GPT-4 级别），500B-1T 总参数是合理区间。

更多的后训练数据— Qwen3 的三阶段训练已经很扎实了，Max 版本大概率在第二阶段（推理特化）和 RLHF/DPO 阶段投入了更多资源。这也是为什么它的深度思考模式表现更好。

更激进的长上下文方案— 从 128K 到 1M，不是简单的插值。可能用了分层注意力、KV 缓存量化压缩、或者类似 DeepSeek V4 的序列维度压缩。

它和 Qwen3.7-Plus 的关系

百炼平台上还有一个值得关注的型号：qwen3.7-plus。

注意版本号的区别——3.8 vs 3.7，Max vs Plus。

qwen3.8-max → 旗舰推理模型，1M 上下文，12/36 元

qwen3.7-plus → 均衡型模型，定价更低

qwen3.7-flash → 轻量快速模型，定价最低

这个三级产品线跟 OpenAI 的 GPT-4o / GPT-4o-mini 结构几乎一模一样。阿里的模型命名终于从"一堆开源模型 + 一个 Max API"进化成了完整的产品矩阵。

但 3.8 vs 3.7 的版本号差异让我好奇——这不像是小版本迭代，更像是两条并行的技术路线。一种可能是：3.7 系列基于 Qwen3.5 的多模态底座（原生支持视觉），3.8 系列则是纯文本的推理特化版本。

如果这个猜测成立，那阿里的策略就很清晰了：多模态走 3.7 线，纯文本推理走 3.8 线，两条线各自优化，不互相拖累。

这比"一个模型什么都做"要务实得多。

三 API 兼容：一个被低估的信号

Qwen3.8-Max 同时支持 OpenAI 兼容接口、Anthropic 兼容接口和 DashScope 原生接口。

同时兼容 Anthropic 的 API 格式这件事，在国内模型厂商里是很少见的。大部分厂商只兼容 OpenAI 格式，因为用的人最多。

但如果你在做 Agent 开发，同时用 Claude 和 Qwen 做 fallback 或者 A/B 测试是常见需求。兼容 Anthropic 格式意味着你可以零成本切换——改一个 base_url 就行，不用改代码。

这个细节说明 Qwen 团队是真的在用这些模型做产品，不是只在实验室里跑 benchmark。

最后说两句

写到这里，我对 Qwen3.8-Max 的判断是这样的：

它不是一个"更大的 Qwen3"。从 1M 上下文的统一定价、纯文本的刻意选择、三 API 兼容的产品化思维来看，它更像是阿里在"开源打生态、闭源做产品"这条路上走出来的一个明确信号。

开源模型给你底座和自由度，闭源旗舰给你极致性能和产品化体验。两条线不矛盾，但也不混在一起。

我比较好奇的是，Qwen3.8-Max 在 Agent 场景下的实际表现如何。1M 上下文 + 深度思考 + Function Calling，这个组合如果能做好，对做 Agent 的人来说是一个非常有吸引力的选项。

等我拿到更多实测数据，再来做一篇实战评测。

数据来源：Qwen3 Technical Report (arXiv:2505.09388)、阿里云百炼平台文档、Qwen 官方 GitHub，分析于 2026 年 8 月 3 日。