摘要 10 月 30 日，博主数字生命卡兹克发帖说，Qwen 3.8 Flash 在简单的准确性任务上“意外的强”，他们各产品的自动化任务已经有一大半被 Claude Opus 5.5 切换成了 Qwen 3.8 Flash。很多人读成“旗舰 Opus 被便宜模型取代”，但作者在回复里澄清：是 Opus 帮他做决策，跑完评估后把后台不少接口从 DeepSeek 换成了 Qwen 3.8 Flash。配图里的那次对比，用同一份提示词让两款小模型读 47 段周报、各跑 2 轮：Qwen 3.8 Flash 94 次全读对，DeepSeek V4.1 Flash 读对 87 次，用的 token 是前者的 3.5 倍。这说明的不是“小模型全面胜出”，而是一种值得照做的换法：用自己的真实任务、让强模型当裁判打分，再把简单的活交给便宜模型。
“一大半自动化任务从 Claude Opus 换成了 Qwen 3.8 Flash”，这句话在圈里传得很快。翻完原帖的回复区和配图，事情和第一眼读到的不太一样，而真实的版本反而更值得照着做。
原帖说了什么，作者又澄清了什么
10 月 30 日，数字生命卡兹克（科技博主，同名公众号作者）发帖：在一些简单的准确性任务评测里，Qwen 3.8 Flash 这个模型“意外的强”；他们各种产品的很多自动化任务，“居然已经一大半都被 Claude Opus 5.5 切换成 Qwen 3.8 Flash 了”。截至发稿，帖子有约 3.5 万次浏览、78 条回复。
这句话有两种读法：一种是“原来用 Opus 跑的任务，换成了 Qwen”；另一种是“Opus 动手，把任务切到了 Qwen”。不少读者按第一种理解，回复里有人说“Opus 5.5 月薪几千刀的活 Qwen 3.8 Flash 几毛钱干完”。作者随后在回复区澄清，是第二种：“不是从 Opus 切换，是 Claude Opus 5.5 现在会帮我做很多决策”，它在跑了评估以后，把后台的一些接口“很多都从 DeepSeek 换成 Qwen 3.8 Flash 了”。作者在另一条回复里也说，换的“只是简单的任务”。
所以 Opus 在这里是裁判，下场的是 DeepSeek V4.1 Flash，上场的是 Qwen 3.8 Flash。它说明的是小模型之间的取舍，以及让强模型替你做评估这件事，而不是 Qwen 取代了 Opus。
那 94 次对比：全读对、更快，token 只用了不到三分之一
原帖的配图是一段对话截图：有人问“为啥不用 DeepSeek V4.1 Flash”，AI 助手在运行了两条命令后给出一张对比表。任务是从周报进展里读出关键结果的数字（比如某个目标现在做到了多少），两个模型用同一份提示词、同样的 47 段周报，各跑 2 轮，一共 94 次。
Qwen 3.8 Flash 94 次全读对，DeepSeek V4.1 Flash 读对 87 次；两边都没有编出原文里没有的数。速度上，中位用时（把 94 次的耗时从短到长排开，正中间那次）是 0.8 秒对 2.2 秒，最慢的一次差得更多：2.6 秒对 44.8 秒。94 次一共用掉的 token（模型按它计费的文字单位）是 3.5 万对 12.2 万。
截图还写了 DeepSeek 错在哪：7 次错误里有 6 次是周报里明明写着数，它却说“没有数”；还有 1 次把目标值 4 当成了当前进度，实际已经做到 5。漏读的后果是那条关键结果不会自动更新。截图最后一句是“换模型只要改一行代码，以后 DeepSeek 出新版本，拿同一套 94 次再测一遍就知道该不该换”。
不过这组数别读过头。它是一个团队、一种任务、47 段样本的测试，评测方法和其他被换掉的任务清单都没有公开；作者自己也只说是“简单的任务”。它能证明的是：在“从一段文字里准确抠出数字”这类活上，Qwen 3.8 Flash 至少不输同档的 DeepSeek V4.1 Flash，而且明显更省。
Qwen 3.8 Flash 是什么，贵不贵
Qwen 3.8 Flash 是阿里通义千问 8 月 26 日上线的轻量多模态模型（能读文字、图片和视频，输出文字）。官方模型页写明：原生支持 100 万 token 的上下文（模型一次调用能看到的全部文字），同时兼容 OpenAI 和 Anthropic 两家的接口协议，可以直接接进 Claude Code、Codex 这类开发工具。
价格是它最大的卖点。国际站标价每百万 token 输入 0.15 美元、输出 0.47 美元；阿里云百炼平台 8 月 27 日起把国内价下调到输入 0.8 元、输出 2.7 元。作为对照，Anthropic 官方给 Claude Opus 5.5 的标价是输入 4 美元、输出 20 美元。
按标价算，Opus 5.5 的输入约是 Qwen 3.8 Flash 的 27 倍，输出约 43 倍。不过这次被换掉的 DeepSeek V4.1 Flash 和它本就在同一档：OpenRouter 上的标价是输入 0.045 美元、输出 0.5 美元，输入单价更低、输出略高。卡兹克那边换它，靠的不是单价，而是读得更准、用的 token 只有不到三分之一，实际账单才会更低。真正花钱的是“单价 × 用量”，只比单价会看错。
哪些活可以交给便宜模型
回复区里做自动化的人给出的经验很一致：分类、抽取、改写、格式化、简单判断这类目标明确的任务，小模型基本够用。一位读者的说法很具体：周报数据提取的关键是格式对齐和抓准确定的字段，不需要多步推理，轻量模型直接定位原文，单次几百毫秒就能完成；重型推理模型做这种受限的短任务，反而容易想太多，个别请求还会拖到几十秒。截图里 DeepSeek 最慢的一次用了 44.8 秒，原因截图没写。
反过来，复杂推理、长链路规划、需要跨很多步保持判断的任务，仍然是旗舰模型的地盘。卡兹克自己的做法也正好说明这一点：决定换谁、怎么评估，还是交给了 Opus 5.5。
回复区最常被问到的是两件事：怎么判断一个任务算“简单”，以及小模型出错了谁来兜底。一位读者提醒，“切小模型最怕简单任务里混着几个不简单的”，他的办法是按任务类型分别看准确率，不只看总分；小模型的输出过不了格式校验，就自动回退到旗舰模型。这样省下的是实打实的钱，翻车的那部分也有人接住。
自己试一次：用真实任务给模型打分
这件事最值得抄的不是“换成 Qwen”，而是换之前先量一下。照着卡兹克截图里的做法，四步就能做一次自己的对比：
第一步，从自己的日志里挑 1 个高频的自动化任务，抽 20–50 条真实样本，配上标准答案（可以用旗舰模型当时的输出，人工核一遍）。第二步，同一份提示词，让现在用的模型和 Qwen 3.8 Flash 各跑 2 轮。第三步，看四个数：读对几条、有没有编出原文没有的内容、中位和最慢用时、总 token。第四步，把错的那几条逐条看完再决定。
这件活本身也可以交给 Claude Opus、Claude Code 这类强模型去跑，卡兹克就是这么做的。因为 Qwen 3.8 Flash 兼容 Anthropic 和 OpenAI 的接口协议，在现有工具链里试，多数时候只需要按官方文档改接口地址、密钥和模型名 qwen3.8-flash。换完后留两道保险：输出过不了校验就回退旗舰模型；任何一边出了新版本，拿同一套样本再测一遍。
挑一个你每天都在跑的自动化任务，今天就拿 20 条样本试一次，比看榜单更能告诉你这件活该交给谁。