GLM-5.3-Flash与Qwen3.8-Flash-Next架构惊人趋同

两款模型几乎同日发布

本周内，两家中国领先AI实验室在不到24小时内先后开源了新一代高效大模型：智谱AI（Z.ai）发布GLM-5.3-Flash，阿里巴巴通义实验室发布Qwen3.8-Flash-Next。前者是GLM-5系列首个原生多模态MoE模型，参数量达3200亿，每token仅激活180亿参数；后者为Qwen4架构的预览版，主模型1250亿参数，另含510亿n-gram嵌入表，每token激活60亿参数。二者均面向超长上下文优化，且全部权重开源（GLM-5.3-Flash采用MIT许可证发布于Hugging Face）。

GLM-5.3-Flash基于30万亿token多模态语料训练，原生支持100万token上下文窗口，在OpenRouter匿名测试中以“Ox Alpha”之名成为当周最热模型。官方称其在多项基准测试中性能超越GLM-5.2，成本仅为后者十分之一，并在编程与智能体任务上逼近Claude Opus 4.8。定价为每百万输入token 0.15美元、输出token 0.50美元。Qwen3.8-Flash-Next则强调训练效率提升，据称仅需Qwen3.7-Plus约九分之一的算力，技术报告题为《Qwen3.8-Next架构设计：评估、效率与训练稳定性》。

趋同点一：3:1线性注意力与全注意力混合堆叠

两模型均摒弃传统全注意力主导结构，转向高性价比混合范式。GLM-5.3-Flash共45层，其中34层为线性注意力层、11层为全注意力层，严格遵循3:1比例；Qwen3.8-Flash-Next共48层，按“3层Gated DeltaNet（GDN）+1层Qwen稀疏注意力（QSA）”循环堆叠，同样达成3:1配比。线性层通过固定尺寸循环状态压缩历史信息，使单token计算量不随上下文增长——GLM采用Kimi Delta Attention（KDA），Qwen采用自研Gated DeltaNet（GDN），二者虽在门控粒度（通道级vs头级）不同，但同属delta-rule家族，承担相同功能。剩余约25%的全注意力层则负责精准长程检索：GLM使用NoPE多头潜在注意力（MLA），Qwen采用分组查询注意力（GQA）变体QSA，KV缓存实际仅在此类层中存在。

趋同点二：4倍压缩+2048-token索引裁剪

为控制全注意力层开销，两模型均引入轻量级学习型索引器（indexer），对长上下文进行预筛选。GLM-5.3-Flash采用32头“闪电索引器”，结合DeepSeek DSA思路，执行top-2048选择；为应对百万token场景，智谱进一步提出IndexPool机制——将4个索引器key向量加权池化为1个再评分。Qwen3.8-Flash-Next的QSA则以微块（micro-block）为单位操作：对每4-token块打分，保留top-512块（即2048 tokens）。二者实质均实现“4倍压缩后评分，最终保留2048 tokens”的统一策略。Qwen实测显示，QSA在百万token场景下可带来最高7.6倍prefill与4.9倍解码加速；而GLM-5.3-Flash相比完整版GLM-5.3，注意力计算量降低约3倍，KV缓存体积缩减4.4倍，同时将活跃参数减半（18B→32B）、层数减半（45→92）。

趋同点三：四路门控残差流替代单一流

两模型均突破Transformer自2017年以来沿用的单一残差流范式，转而采用四路并行残差分支。GLM-5.3-Flash集成DeepSeek提出的Manifold-Constrained Hyper-Connections（mHC），在发布权重中明确配置为4分支；Qwen3.8-Flash-Next则自研Gated Residual机制，通过逐元素数据依赖读门与每分支标量写门，动态调控信息在4条拓宽通路间的流动。这一设计显著增强模型内部信息路由能力，亦成为二者架构趋同的关键标志之一。