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

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：

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：

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：

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：

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：

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：

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
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：

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：

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：

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：

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：

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：

low
medium
xhigh

而且默认：

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：

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