> ## Content Index > Fetch the complete content index at: https://lucent.blog/llms.txt > Use this file to discover other available public pages before exploring further. # DeepSeek-V4-Flash-Vision-Exp vs Qwen3.8-Flash-Next：新一代开源模型该怎么选？ - URL: https://lucent.blog/deepseek-v4-flash-vision-exp-vs-qwen3-8-flash-next/ - Published: 2026-09-05T11:59:27.000Z - Updated: 2026-09-05T12:05:55.000Z - Author: Lucent - Tags: AI, 大模型 2026 年下半年，开源大模型又迎来了一轮明显的架构升级。 DeepSeek 推出了首个 V4 多模态实验模型 **DeepSeek-V4-Flash-Vision-Exp**，Qwen 则发布了带有下一代 Qwen4 架构预览性质的 **Qwen3.8-Flash-Next**。 这两个模型有不少相似之处：都是 MoE、都支持思考、都支持视觉输入、都面向 Coding 与 Agent 场景，而且都可以通过 vLLM 私有化部署。 但真正深入使用后会发现，它们其实走了两条很不一样的路线。 一句话概括： > **Qwen3.8-Flash-Next 更像一个追求综合能力与推理效率的“通用 Agent 模型”；DeepSeek-V4-Flash-Vision-Exp 则更像一个面向 Coding、工具调用和超长上下文的“工程型模型”。** 截至 2026 年 9 月，第三方 Artificial Analysis 的综合 Intelligence Index 给 Qwen3.8-Flash-Next 56 分、DeepSeek-V4-Flash-Vision-Exp 51 分。不过在输出速度和上下文长度上，DeepSeek 又明显占优。 ## 一、先看基本规格 | 项目 | DeepSeek-V4-Flash-Vision-Exp | Qwen3.8-Flash-Next | | ------------------ | ---------------------------- | ------------------------------- | | 架构 | MoE | MoE | | 总体规模 | 约 285B | 125B 主模型 + 51B N-gram Embedding | | 每 Token 激活参数 | 13B | **6B** | | 原生上下文 | **1,048,576** | 262,144 | | 图像输入 | 支持 | 支持 | | 视频输入 | — | **支持** | | Thinking | 支持 | 支持 | | Tool Calling | 支持 | 支持 | | DeepSeek/Qwen 特有结构 | CSA、Hyper-Connections、DSpark | GDN、QSA、N-gram Embedding、MTP | | License | **MIT** | Qwen Community License 1.0 | DeepSeek V4 Vision 基于约 285B/13B Active 的 V4 MoE 主干，包含 256 个 routed experts，每个 Token 激活其中 6 个，同时加入 32 层视觉编码器，并原生提供 1,048,576 Token 上下文。 Qwen3.8-Flash-Next 则采用了更加激进的稀疏设计：125B 主模型之外，再增加约 51B 的 N-gram Embedding，但推理时每个 Token 只激活约 **6B 参数**。其核心架构由 Gated DeltaNet、Qwen Sparse Attention、N-gram Embedding 和 MTP 组成。 仅从架构来看，Qwen 的方向非常明确： > **尽可能增加模型容量，但不要让这些容量全部变成每个 Token 的计算量。** 而 DeepSeek 的思路则更倾向于： > **保持更大的有效模型容量，同时围绕 Attention、MoE、Speculative Decoding 和长上下文继续优化。** # 二、综合能力：Qwen 当前略占优势 目前最容易直接横向观察的数据来自 Artificial Analysis。 在相同的高强度 Reasoning 对比下： | 指标 | Qwen3.8-Flash-Next | DeepSeek V4 Vision | | ------------------ | ------------------ | ------------------ | | Intelligence Index | **56** | 51 | | 输出速度 | 约 69～76 tok/s | **约 120 tok/s** | | TTFT | 2.74 秒 | **约 1.08 秒** | | Context | 256K | **1M** | 所以如果只看综合 Benchmark： **Qwen 当前领先。** 但值得注意的是，这并不是一个“Qwen 全面胜出”的结果。 DeepSeek 的响应速度和首 Token 延迟反而明显更低，而且拥有四倍左右的原生上下文长度。 另外，这里的速度来自第三方托管 API，受到硬件、Batch、量化方式、Provider 调度等因素影响。 # 三、Coding：两者差距其实非常小 对于这两个模型，Coding 是最值得关注的部分。 Qwen3.8-Flash-Next 官方公布的数据相当漂亮： | Benchmark | Qwen3.8-Flash-Next | | ---------------------- | ------------------ | | DeepSWE 1.1 | 58.7 | | SWE-bench Pro | **62.5** | | SWE-bench Multilingual | **81.0** | | NL2Repo | 48.1 | | LiveCodeBench v6 | **91.9** | | Toolathlon | 73.5 | 尤其是 SWE-bench Pro 62.5 和 LiveCodeBench 91.9，说明它不仅擅长生成代码，在真实软件工程任务中同样具备很强的竞争力。 但 DeepSeek-V4-Flash-Vision-Exp 也非常有意思。 DeepSeek 官方给出的 Agent/Coding 数据是： | Benchmark | DeepSeek V4 Vision | | ------------------- | ------------------ | | Terminal Bench 2.1 | **83.9** | | NL2Repo | **57.7** | | DeepSWE | **59.3** | | Toolathlon Verified | **75.9** | | DSBench-Hard | 63.6 | | AutomationBench | 25.7 | 单看这些数字，会发现 DeepSeek 在 Repo、Terminal、Tool Use 这类偏 Agentic Coding 的任务中非常强。 例如 DeepSWE： - Qwen：58.7 - DeepSeek：59.3 Toolathlon： - Qwen：73.5 - DeepSeek：75.9 NL2Repo： - Qwen：48.1 - DeepSeek：57.7 需要注意，不同厂商公布的数据在 Agent Harness、Prompt 和执行环境上并不完全一致，因此不适合直接用 0.x 分判断胜负。 但至少可以得出一个比较明确的结论： > **这两个模型的 Coding 能力已经处于同一个水平区间。** 如果是传统代码生成、SWE-bench、跨语言软件工程，我会更倾向 Qwen。 如果是类似 Claude Code、Codex、OpenCode 这种： ```text 读取项目 ↓ 搜索代码 ↓ 执行 Shell ↓ 观察日志 ↓ 修改代码 ↓ 重新执行 ``` 的长流程 Coding Agent，DeepSeek V4 Vision 非常值得重视。 # 四、Agent：Qwen 更全面，DeepSeek 更偏工程 Qwen3.8-Flash-Next 一个非常明显的特点，就是它并没有只针对 Coding Agent 做优化。 它的 Agent Benchmark 覆盖范围相当广： | Benchmark | Qwen3.8-Flash-Next | | ----------------- | ------------------ | | CoWorkBench | **73.9** | | JobBench | **55.7** | | Agents' Last Exam | 24.3 Pass@1 | | Toolathlon | 73.5 | 其中 CoWorkBench 涵盖计算机、金融、法律等长流程办公任务。 因此 Qwen 更适合： - 企业办公 Agent - 资料整理 - 多工具协作 - Web Agent - Coding Agent - Research Agent - 通用数字员工 而 DeepSeek 的优势方向更加集中： - Terminal - Shell - Repo - Coding - 工具调用 - 自动化执行 这意味着，如果要构建服务器故障诊断 Agent： ```text 收到告警 ↓ SSH 登录服务器 ↓ 查看日志 ↓ 执行诊断命令 ↓ 分析结果 ↓ 继续调用工具 ↓ 形成修复方案 ``` DeepSeek-V4-Flash-Vision-Exp 会是一个非常值得测试的模型。 而如果要构建一个企业内部“万能 Agent”，Qwen 的能力覆盖范围则更完整。 # 五、多模态：Qwen 更完整，DeepSeek 更高效 两者现在都已经不是纯文本模型。 但 Qwen 在多模态上的覆盖范围明显更广。 Qwen3.8-Flash-Next 原生支持： ```text Text Image Video ``` 官方甚至直接给出了 Video Input 的 OpenAI API 调用方式。 其视觉 Agent 数据也相当突出： | Benchmark | Qwen3.8-Flash-Next | | ------------------- | ------------------ | | ClawEval-MM | 64.4 Pass@3 | | AndroidWorld | **84.5** | | OSWorld 2.0 Partial | 52.3 | | Vision2Web | 64.0 | | LVBench | 76.6 | | RealWorldQA | 88.5 | | MathVision | 90.6 | 这些 Benchmark 已经明显超出了传统的“看图回答问题”，而是在测试： **看见界面 → 理解界面 → 操作应用。** 所以如果未来要做 Computer Use，例如： ```text 截图 ↓ 理解 UI ↓ 判断按钮 ↓ 执行点击 ↓ 再次截图 ↓ 继续操作 ``` Qwen3.8-Flash-Next 会更有吸引力。 DeepSeek-V4-Flash-Vision-Exp 的视觉能力则更强调 Agent、OCR、Chart 和 Screenshot。 其官方结果包括： - ApexBench：36.5 - Agents' Last Exam：27.3 - Chartography：64.3 - ZeroBench：35.0 而且它有一个非常特别的优势： **每张图片最多大约只需要 387 个 Prompt Token。** 这对 Screenshot Agent 很有意义。 比如一次给模型输入 20 张服务器监控截图、网页截图或者报表，并不会像一些传统 VLM 一样迅速消耗掉大量上下文。 所以可以简单理解为： > **Qwen：多模态能力更全面。** > > **DeepSeek：图片 Token 效率非常有吸引力。** # 六、长上下文：DeepSeek 是明显优势项 DeepSeek-V4-Flash-Vision-Exp： **1,048,576 Token 原生上下文。** Qwen3.8-Flash-Next： **262,144 Token 原生上下文。** Qwen 可以通过 YaRN 将上下文扩展至约 1M，但这属于 RoPE Scaling，而不是模型的原生长度。Qwen 官方也明确建议在将 YaRN 作为默认配置前，测试其对短上下文质量的影响。 因此如果场景是： - 巨型代码仓库 - 大量技术文档 - 长时间 Agent 历史 - 大型 RAG Context - 数百份合同/报告 - 超长日志 DeepSeek 的优势非常明显。 当然，“模型支持 1M”不等于“部署时应该直接把 KV Cache 配成 1M”。 vLLM 对 DeepSeek Vision 当前公开验证的 reference run 实际只使用了 **32K `max-model-len`**，官方也特别提醒 1M KV Cache 所需要的显存远高于模型权重本身。 # 七、推理效率：Qwen 的架构更加激进 如果只从每 Token 计算量看： ```text DeepSeek V4 Vision 13B Active Parameters Qwen3.8 Flash Next 6B Active Parameters ``` Qwen 几乎只有一半。 但 Qwen 并没有简单缩小模型。 它增加了一个巨大的： **51B N-gram Embedding** 作为类似长期 Lookup Memory 的结构。 这部分参数可以增加模型容量，却不需要像普通 Transformer 权重一样在每个 Token 上做大规模矩阵计算。 同时 Qwen 使用： ```text Gated DeltaNet ↓ 压缩历史状态 Qwen Sparse Attention ↓ 精确访问长距离 Token N-gram Embedding ↓ 提供大容量 Lookup Memory MoE ↓ 仅激活 6B ``` 这其实比单纯追求“大参数模型”更值得关注。 Qwen3.8-Flash-Next 本质上是在尝试解决一个问题： > **如何继续提高模型容量，但不要让推理成本同比增长？** 从下一代大模型架构的发展方向来看，我认为这是 Qwen3.8-Flash-Next 最有价值的地方之一。 # 八、两者的思考模式也很不一样 DeepSeek V4 的 reasoning effort 分为： ```text low high max ``` 并通过 `chat_template_kwargs` 控制。DeepSeek 官方评测使用的是 `max`。 Qwen3.8-Flash-Next 则分为： ```text low medium xhigh ``` 而且默认： ```text enable_thinking = true reasoning_effort = xhigh preserve_thinking = true ``` 也就是说 Qwen 默认直接使用最高思考强度。 # 九、最终应该怎么选？ 如果只能从两个模型中选择一个，我目前更倾向： ## Qwen3.8-Flash-Next 原因不是它在 Coding 上碾压 DeepSeek——实际上两者 Coding 非常接近。 真正的原因是 Qwen 的能力覆盖面更完整： ```text 强 Coding + 强 Agent + 图片 + 视频 + Computer Use + 262K Context + 6B Active Parameters ``` 第三方 Artificial Analysis 当前综合 Intelligence Index 也更偏向 Qwen。 但如果具体到以下场景： ### 大型 Repo / 超长文档 选： **DeepSeek-V4-Flash-Vision-Exp** ### Terminal / DevOps Agent 优先测试： **DeepSeek-V4-Flash-Vision-Exp** ### 普通 Coding 两者都可以，略倾向： **Qwen3.8-Flash-Next** ### 通用企业 Agent 选： **Qwen3.8-Flash-Next** ### Computer Use / UI Agent 选： **Qwen3.8-Flash-Next** ### 视频理解 选： **Qwen3.8-Flash-Next** ### OCR / Chart / 大量 Screenshot 非常值得测试： **DeepSeek-V4-Flash-Vision-Exp** ### \>256K 超长上下文 明显选择： **DeepSeek-V4-Flash-Vision-Exp**