在功能逐渐趋同、越来越难以拉开代差的当下，办公 Agent 的竞争正在卷向模型与 Agent 架构的深度协同。

8 月 26 日晚，阿里千问大模型团队发布 Qwen3.8-Flash，并同步开源（开放权重的模型版本为 Qwen3.8-Flash-Next）。这是一个 多模态 MoE 模型，主模型参数量为 125B，额外加入 51B N-gram Embedding，每个 Token 只激活 6B 参数。 该模型拥有极致性价比，输入每百万 Tokens 仅需 0.8 元，输出每百万 Tokens 2.7 元。

几乎是同一时间，Qwen3.8-Flash 首发上线千问办公全新的标准模式，其单任务生成速度提升约 100%，Token 消耗平均减少 75%，同时还保证了任务质量，Agent 使用成本大幅降低 。

对办公 Agent 来说，比单纯拉低使用成本更有意义的是，千问大模型与千问办公团队实现模型和 Agent 双向协同，打破了成本、性能和速度的不可能三角，用户使用标准模式就可以覆盖约 95% 的日常任务。如果这个数字成立，过去那种精打细算、舍不得把 Agent 用在小事上的使用方式，或许真的可以成为历史。

价格已经足够低，能力到底有没有跟上？是否真的跨过 Agent“斩杀线”？我们实际跑了几轮任务，给千问办公来了场突击小考。

先从职场人最熟悉的周报开始。一周的工作散落在会议纪要、聊天记录、待办列表和各种临时笔记里，把这些零散材料一股脑丢给千问办公，让它别写流水账，自己找重点，整理成一份领导能直接看的周报。看看它怎么说：

它没有机械地按照原始材料的顺序重新排列，而是把重复出现的项目进展做了合并，也区分出了本周主要成果、风险与需协调事项、下周工作重点。并且千问办公还能连接外部应用、日历和服务，连上钉钉后，精简版周报可以直接发到钉钉消息里，从整理材料到交付，中间不需要再复制粘贴一次。

除了标准办公任务，一些临时冒出来的奇思妙想，也可以直接丢给它。

比如，我提了一个需求：需要一个网站自动抓取各个天气网站未来一周内的天气情况，综合分析，并根据温度、舒适度、雨雪等分析推荐出今日通勤的服装和注意事项。

这个需求如果自己动手，至少要先找天气数据接口，再处理城市定位、页面结构和穿衣规则。千问办公很快给出方案，调用公开天气 API，完成页面和规则逻辑，最后交付了一个可以直接打开的网页。

经常用 Agent 的人都知道，最纠结的不是某个任务要不要交给它跑，而是到底该选哪一档。

像千问办公这类 Agent，通常都会给用户提供几个不同能力档位。比如 Manus 有 1.6 Lite、1.6 和 1.6 Max；ChatGPT 也提供 Instant、Medium、High、Extra High、Pro 等不同推理档位；还有一些 Agent 把选择权交给用户，放上一堆模型让用户自己选；千问办公过去的模型供给也分为经济、基础、高级三种模式，这次更新之后，直接收拢为标准和高级两档。

选择看起来很多，但真碰上稍微复杂一点的任务，用户大都本能地往高级模式上选。毕竟已经花时间上传了一堆文件、写了一长串提示词，谁都不想最后只拿到一个 60 分的结果。与其返工重来，不如一开始就把最好的模型用上。

这也是标准模式真正需要回答的问题：便宜归便宜，到底够不够用？

我们又拿同一个任务分别跑了标准模式和高级模式。这一次，我们丢给千问办公一份工作报告，让它把原本的文字材料做成一个带留言框的网页。最终两个版本的完成度比较接近。高级模式在部分细节处理和页面呈现上更完整一些，但标准模式已经能把需求理解、内容组织、页面生成和基础交互完整跑下来。

标准模式：

高级模式：

差距更明显的地方，是积分。

标准模式执行过程中，单次积分消耗大多还停留在零点几；切到高级模式后，同类任务的积分消耗很快进入两位数。如果每天都把整理材料、做网页、处理文件这类任务交给 Agent，差距会迅速累积起来。

这也是标准模式更有意思的地方。它未必要在每一道题上都超过高级模式。只要那些每天都会发生、结果达到可用线就够的工作能够稳定完成，用户就少了一个每次都往高级模式上点的理由。从精打细算地用，到想到什么就随手丢进去，差的其实就是这一步。

标准模式为什么能便宜这么多，还够用？这笔账，要从模型内外两头算。

千问办公这轮变化，实际上发生在两个层面：模型内，首发 Qwen3.8-Flash 继续提高单位计算量能够换来的能力；模型外，通过 Agent Harness、上下文管理和工具调用，把这些能力更高效地用起来。

先看模型内。

Qwen3.8-Flash 最核心的变化，是在尽量少增加计算开销的前提下，把模型容量和实际能力继续往上推。

它采用 MoE 架构，主模型参数量达到 125B，但每个 Token 只激活 6B 参数，同时额外加入 51B N-gram Embedding。总参数量很大，真正参与单次计算的部分却很小。这也是它所谓“高智能密度”的来源之一：模型可以保留千亿级参数带来的容量，又不需要每生成一个 Token，都让全部参数参与计算。

这种效率提升，来自 Qwen3.8-Flash 对 Attention、Residual、Embedding 和 Optimization 四个部分的系统升级。其中，给笔者带来最大惊喜的是 Attention 层面的变化。

办公 Agent 天生是长上下文大户，任务跑得越久，需要处理的 Token 越多，传统 Full Attention 的计算和 KV Cache 访存成本也会随之上涨。

Qwen3.8-Flash 延续了 Qwen3.5 的架构设计，采用 GDN   Attention 的 Hybrid 架构：每四层中三层使用 GDN，将历史信息持续压缩到固定大小的状态中；另一层保留全局 Attention，负责精确检索全局信息。此外，Qwen3.8-Flash 还引入了 Qwen Sparse Attention（QSA），通过压缩式轻量 Indexer 在 micro-block 粒度上筛选重要上下文。可以理解成，GDN 负责把大量历史信息压缩记住，真正需要找细节时，QSA 先做一轮粗筛，从长上下文里找到最相关的区域，不用每次都把全部内容重新过一遍。

根据官方披露的数据，在 1M Token 上下文下，QSA 的 Attention Kernel 在 Prefill 和 Decode 阶段最高分别实现 7.6 倍和 4.9 倍加速；在 Prefix Cache 命中率 90% 的测试条件下，Qwen3.8-Flash 的 Prefill 吞吐达到 Qwen3.7-Plus 的 8.6 倍。

Residual、Embedding 和 Optimization 也分别从信息传递、模型容量和训练效率上继续压缩成本：

• Residual： 引入 Gated Residual（GR），把原本单一的 Residual Stream 扩展为 4 条分支，再通过动态 Gate 控制不同信息的读取和写入。相当于给模型内部的信息传递多开了好几条路，重要信息一路保留下来，减少信息损耗。

• Embedding： 引入 N-gram Embedding，利用当前 Token 和前序局部上下文进行查表，在增加很少计算量的情况下扩展模型容量。相关 Embedding Table 还可以放在 Host Memory，通过异步 Prefetch 与模型计算并行。相当于给模型额外挂了一个记忆库，能记住更多东西，但不用每次推理都付出相应规模的 GPU 计算成本。

• Optimization： 采用 Muon Optimizer，重新划分 Muon 与 AdamW 负责的参数类型，同时针对新架构重新拟合 Scaling Law，让同样的算力能更快、更稳定地把模型训到目标效果。

这四项改动，让 Qwen3.8-Flash 能够在尽量少动用计算资源的前提下，把模型能力维持在一个足够高的水平。模型价格能继续往下走，首先有赖于这种底层效率的提升。

但对办公 Agent 来说，模型本身只解决了一半问题，模型外的能力同样重要。

过去做 Agent，常见路线是先找一个足够强的通用模型，再在外面接规划、工具、Memory、Sandbox 和一套 Agent Loop。模型团队负责把能力做强，Agent 团队负责想办法驾驭它。

两边如果长期各自优化，很快就会暴露问题。典型的就是工具调用。模型不熟悉工具的能力边界，可能本来一次调用就能解决的问题，先选错工具，再换一个重试。每多走一步，背后都是新的模型调用和 Token 消耗。

另一个重灾区是上下文。Agent 跑得越久，对话历史、检索结果等信息就堆得越多。如果 Harness 缺乏有效的压缩和筛选机制，就只能不断把越来越长的上下文重新塞给模型。模型每一轮都在重复阅读大量已经处理过的信息，速度越来越慢，成本也跟着往上涨。

这也是为什么，业内越来越多团队开始把模型和 Agent 放到一起优化。

比如 OpenAI 的 GPT-5-Codex，就是专门针对 Agentic Software Engineering 训练，甚至还调整了 Codex Agent 的 Prompt、工具定义和 Agent loop，让 Harness 更适配模型。官方的表述是：GPT-5-Codex was trained for Codex，同时 Agent implementation 也经过专门调优。

阿里在 Qoder 上也走过类似路线。今年 2 月，Qoder 发布定制模型 Qwen-Coder-Qoder，基于 Qwen-Coder，通过大规模强化学习针对 Qoder 的 Agent 架构、工具和真实 Coding 场景进行适配。

到了千问办公，这套模型与 Agent 协同优化的方法，开始从 Coding 进一步扩展到办公场景。这也是为什么，这次千问办公首发 Qwen3.8-Flash 值得拿出来讨论。千问大模型团队和千问办公没有各自做完自己的部分再拼起来，而是在训练、推理、工具调用和 Harness 层面一起调：模型为真实办公任务适配，Agent 也围绕模型的行为方式重新设计执行路径。

准确来说，办公专属版本 Qwen3.8-Flash 就是千问大模型团队与千问办公团队联合推出的，在多步规划、工具选择、上下文压缩等场景上做专项训练，同时结合推理优化和定制 Harness 提升整体吞吐效率。

这些工程优化最终都会落到 Token 账单上。数据显示，在真实办公场景测试中，千问办公标准模式的单任务生成速度提升约 100%，Token 消耗平均减少 75%。

一边降低每一个 Token 的价格，一边减少完成同一项工作需要多少 Token。Agent 与模型的双向优化，试图真正打破性能、成本和速度的“不可能三角”。过去逼疯无数打工人的“Token 焦虑”，或许真能翻篇了。

Token 焦虑，已经不分国界，也不太分职级。甭管是在硅谷还是国内，也不论高管还是普通打工人，都开始围着 Token 算账。区别是，有人焦虑自己用得太少，有人焦虑自己根本不够用。

在硅谷，这种焦虑甚至已经演变成一种新的生产力竞赛，甚至还出现了一个很硅谷的词：Tokenmaxxing，想方设法把 Token 用到极致。

Meta 此前把这件事推到了一个相当夸张的程度。今年 4 月，The Information 报道，Meta 员工自发做了一个名为 Claudeonomics 的内部排行榜，追踪超过 8.5 万名员工的 Token 使用情况。榜单显示，排名最高的一名员工个人消耗量达到 2810 亿 Token。这是什么概念？如果粗略按一页 PPT 从资料整理到生成消耗 1 万 Token 计算，2810 亿 Token 足够生成约 2810 万页 PPT。如果按照 Claude Opus 4.6 输入、输出价格的简单平均值粗略估算，2810 亿 Token 对应的价格超过 400 万美元，约合人民币 3000 万元。

企业高管也在推波助澜。英伟达 CEO 黄仁勋今年在 All-In Podcast 谈到，公司应该给工程师足够多的 AI Token。如果一个年薪 50 万美元的工程师一年只花掉很少的 AI 计算预算，他反而会担心；他给出的理想量级甚至接近每年 25 万美元。特斯拉和 OpenAI 的前顶级 AI 科学家、现任 AI 教育初创公司负责人 Andrej Karpathy 的说法更接近一种新式焦虑。他在播客里提到，如果订阅额度到月底还剩很多，他会觉得自己没有充分利用能够获得的 Token 吞吐。

硅谷工程师焦虑 Token 用得不够多，普通人焦虑的是，Token 到底会花掉多少真金白银。

和传统 SaaS 相比，Agent 的账单很难在使用之前算得明白。所以，一个有点无奈又好笑的现象是，为了节省 Token，一些工作不舍得交给 Agent 跑。

这次千问办公更新里，输入每百万 Tokens 0.8 元、输出每百万 Tokens 2.7 元、缓存命中每百万 Tokens 0.1 元，这些数字都很抢眼。但还有两个数字也值得关注：95% 和 75%。按照千问办公给出的数据，95% 的日常任务可以交给标准模式完成；在真实办公场景测试中，标准模式平均 Token 消耗减少 75%。

一个降低单价，一个减少用量。有声音评价千问办公重新定义 Agent 的“斩杀线”，原因也在于此。并且这条“斩杀线”，实际上不是一次模型降价就能划出来的。

8 月 3 日开启公测的千问办公，整合了此前 QoderWork、MuleRun 和悟空的能力，把桌面 Agent、云端 Agent 和企业协同放进同一套产品。随后开放的 MyContext，又开始把 IM、文档、日历、会议等分散的工作数据加工成 Agent 可以持续使用的上下文。模型、Harness、Context，再到办公应用，阿里的企业 Agent 路线逐渐拼出了一条完整链路。

这次模型和 Agent 实现深度协同优化，进一步打出了 Agent 同质化竞争的差异化优势。

过去两年，大模型行业花了大量精力证明 AI 到底能完成多难的任务。Agent 真正走进办公室以后，问题开始变得更现实：它能不能便宜到让人舍得天天用？毕竟，真正决定办公 Agent 能否成为日常工具的，可能不只是它能做多少高难度任务，而是面对那些每天都会发生的小事，用户还需不需要在按下执行之前，先算一遍 Token。