阿里開源 Qwen3.8-27B：原生多模態 27B 稠密模型，262K 上下文可外推至 1M

編按：本文綜合整理自 Hugging Face 官方 Qwen3.8-27B-FP8 模型頁、阿里千問官方 X 推文、IT之家 8 月 14 日報導，並加入 Siami 編輯部觀點與分析。

事件概述

2026 年 8 月 14 日晚間，阿里巴巴千問團隊正式開源 Qwen3.8-27B 模型，所有開發者、科研機構和企業均可自由下載、部署和使用。這是 Qwen3.8 系列的首發版本，以 27B 稠密（Dense）參數量達成超越 Qwen3.7-Plus 的整體表現，被官方定位為「目前最強的開源稠密模型」。

模型原生支援 262K 上下文，透過 YaRN 技術可外推至 1M tokens。作為原生多模態稠密模型，它不僅能處理文字，也內建視覺編碼器，能理解圖片、影片與 STEM 圖表。權重採用 FP8 細粒度量化（block size 128），效能與原模型幾乎一致，可直接相容 Hugging Face Transformers、vLLM、SGLang、TokenSpeed 等主流推論框架。

模型架構亮點

Qwen3.8-27B 採用混合注意力架構，並非純 Transformer：

• 參數量：27B（270 億參數）
• 層數：64 層，採用 Gated DeltaNet + Gated Attention 混合布局
• 隱藏維度：5120
• 詞嵌入：248,320（padded）
• 線性注意力頭：48 for V、16 for QK（Head Dim 128）
• 標準注意力頭：24 for Q、4 for KV（Head Dim 256）
• FFN 中間維度：17,408
• 多 token 預測（MTP）：訓練時使用多步預測

27B 是全球 AI 社群呼聲最高的模型尺寸——既能在單張高階消費級 GPU（如 RTX 5090、RTX 4090）跑得動，又具備足夠能力處理複雜任務。

這種「16 × (3 × Gated DeltaNet → FFN) → 1 × (Gated Attention → FFN)」的混合架構，是 Qwen3.5 系列的延伸，能在保持稠密結構效率的同時，提升長序列處理能力。

Benchmark 表現：全面超越 Qwen3.7-Plus

官方公布的基準測試數據顯示，Qwen3.8-27B 在多項指標上超越自家前代旗艦 Qwen3.7-Plus：

程式設計與軟體工程

• Terminal Bench 2.1（代理終端編碼）：Qwen3.8-27B 73.0 vs Qwen3.7-Plus 64.0
• SWE-bench Pro（代理編碼）：Qwen3.8-27B 61.7 vs Qwen3.7-Plus 57.6
• DeepSWE 1.1（代理編碼）：Qwen3.8-27B 42.2 vs Qwen3.7-Plus 14.2
• QwenSWEBench（軟體工程）：Qwen3.8-27B 79.0 vs Qwen3.7-Plus 59.2
• LiveCodeBench v6（競賽編碼）：Qwen3.8-27B 90.3 vs Qwen3.7-Plus 89.6

通用與專業任務

• IFBench（指令遵循）：Qwen3.8-27B 79.5 vs Qwen3.7-Plus 79.1
• GPQA Diamond（科學推理）：Qwen3.8-27B 89.2 vs Qwen3.7-Plus 90.3
• HLE（跨領域推理）：Qwen3.8-27B 30.8 vs Qwen3.7-Plus 34.7
• JobBench（專業任務）：Qwen3.8-27B 33.4 vs Qwen3.7-Plus 27.6
• CoWorkBench（長時任務）：Qwen3.8-27B 70.7 vs Qwen3.7-Plus 65.1

多模態表現（VL Performance）

• OSWorld-Verified（電腦操作）：Qwen3.8-27B 84.3 vs Qwen3.7-Plus 73.3
• WebArena-Verified（瀏覽器操作）：Qwen3.8-27B 64.8 vs Qwen3.7-Plus 55.3
• AndroidWorld（行動操作）：Qwen3.8-27B 81.9 vs Qwen3.7-Plus 81.0
• MathVision（含 CI，視覺數學）：Qwen3.8-27B 94.6 vs Qwen3.7-Plus 85.1
• Vision2Web（視覺網頁開發）：Qwen3.8-27B 62.9 vs Qwen3.7-Plus 42.1
• OmniDocBench 1.5（文件理解）：Qwen3.8-27B 91.1 vs Qwen3.7-Plus 91.4

可以看到 Qwen3.8-27B 在「端到端任務完成」（SWE-bench Pro、DeepSWE、OSWorld、WebArena、Vision2Web）這類代理型任務上大幅領先，但在純知識問答（GPQA、HLE）上仍略遜於 Opus4.6 Max——這與官方定位「為長時任務而生」完全一致。

五大核心能力升級

官方列出 Qwen3.8-27B 的五大改進方向：

1. 核心能力全面提升：在程式設計、專業工作、研究、長時代理任務都有實質進步
2. 代理執行更可靠：自主規劃更強、對環境反饋處理更穩、端到端任務完成度更高
3. 下游相容性更廣：更容易整合進既有開發棧，支援 Claude Code、vLLM、SGLang 等主流工具鏈
4. 彈性思考控制：思考模式預設開啟，可按請求關閉；可透過 reasoning_effort 調整推理深度；多輪對話保留推理上下文（preserve_thinking）
5. 原生視覺語言：支援圖片與影片理解，從 STEM 圖表到小時級影片皆可處理

開發者社群實測回饋

Qwen3.8-27B 一發布就在 Hacker News 引發熱烈討論，截至發稿已累積 1201 分、125 則留言。摘錄幾則代表性評價：

「Qwen 3.8 27B 是繼 Gemma 4 之後，第二個能通過我私有基準測試的本地模型。它花 5 倍 token 數與 12 分 30 秒通過，但 Laguna 與 Muse Glimmer 都失敗了。」 — 開發者 CMay

「已經達到 GLM-5.2 等級，但能在本地跑。我在 3090 上跑了 8 小時，房間變烤箱，但效果真的很好。」 — 開發者 XCSme

「用 RTX 5090 + Ninfer 推論引擎可以達到 ~138 tokens/秒，比 llama.cpp 預設配置快一倍。」 — 開發者 kimsey0

不過也有開發者指出思考模式預設行為改變：

「跟 3.6 比起來，3.8 在思考時會省略 to、we、for 等字，寫成『Need be helpful concise』、『Need ask!』這種穴居人風格。可能是 RL 過度激勵 token 效率造成的。」 — 開發者 dofm

另一位開發者 dofm 也提到，在 xhigh reasoning 預設模式下，模型會過度思考寫出過於複雜的程式碼，必須切換到 medium 模式才能避免。

為什麼這件事重要

Qwen3.8-27B 是開源社群第一次在 27B 這個甜蜜點（sweet spot）上，拿到接近或超越旗艦閉源模型的能力：

1. 本地 AI 的臨界點：過去要在筆電或單卡消費級 GPU 上跑出「能用」的程式設計代理模型，只能選擇 Gemma 4 或 Qwen3.6 系列。Qwen3.8-27B 是首個在 SWE-bench Pro、OSWorld、Vision2Web 等代理基準上逼近 Opus4.6 Max 的開源稠密模型。

2. 「開放權重小型稠密」打敗「封閉權重大型稀疏」的勝利：官方定位很清楚——比起 100B+ 的稀疏 MoE，27B 稠密模型能觸及更多開發者、學生、新創公司。一張 RTX 5090 就能跑得起、跑得好，這對 AI 平權意義重大。

3. 多模態稠密的標竿：Qwen3.8-27B 是目前唯一原生支援圖片 + 影片理解的稠密開源 27B 模型。OSWorld 84.3、Vision2Web 62.9 這類「代理型視覺任務」分數，意味著它能直接看懂螢幕截圖、UI 介面並操作。

4. 代理 AI 競賽的轉折：從 SWE-bench、DeepSWE、OSWorld、WebArena 的爆發性提升來看，阿里千問顯然押注「代理 AI 一定是下一個主戰場」。在 Anthropic、OpenAI、Google 還在閉源迭代 Claude Code / Operator 時，Qwen 已經把開源版本攤在陽光下。

5. API 服務即將上線：官方公告 Qwen Cloud 將提供預設 1M 上下文的 hosted 版本，並內建官方工具鏈。對不想自己部署的企業用戶，這意味著很快就能用 API 形式取用 Qwen3.8-27B 的全部能力。

數據解讀與質疑

雖然 Qwen3.8-27B 整體表現驚艷，但有幾點值得質疑與解讀：

1. 基準測試的可信度

官方在 SWE-bench Pro、NL2Repo-Bench、DeepSWE 1.1 等基準上明確標註「使用 Claude Code harness」——也就是說，所有模型（含其他競爭對手）都是用 Claude Code 的腳手架跑的。這對 Qwen3.8 來說是優勢（因為它的訓練資料可能包含 Claude Code 的使用模式），但對 Opus4.6 Max 來說反而是劣勢（它的「官方分數」可能用了不同 harness）。

質疑點：這是「公平比較」還是「精心挑選的評測條件」？獨立評測機構（lmsys、HELM）需要盡快複測。

2. 「過度思考」問題

多位開發者反映，預設的 xhigh reasoning 模式會讓模型寫出「過度複雜、充滿不必要的 edge case」的程式碼。一位開發者測試「WordPress 最後登入外掛」這類簡單任務時，發現模型會跑進兔子洞。

解讀：推理深度可調是好事，但預設值過高對一般開發者不友善。新手可能會覺得模型「太囉嗦」，要明確切換到 medium 或關閉思考模式才能拿到最佳結果。

3. Token 效率的成本

CMay 的測試顯示，Qwen 3.8 27B 完成 Gemma 4 能完成的私有基準，多花了 5 倍 token。雖然這對本地運行影響不大（不計費），但若上 Qwen Cloud API 計價，5 倍 token 意味著 5 倍成本。

4. 思考風格的「穴居人化」

多位用戶觀察到 Qwen3.8 的思考段落語法異常（省略 to、we、for），懷疑是 RL 過度激勵 token 效率所致。這是否會污染最終回答的語感？從目前實測看，正式回答（而非思考段落）仍正常，但值得持續關注。

5. 對手動部署者來說，硬體門檻仍然不低

雖然 27B 模型在 RTX 5090 上能跑，但 8 小時基準測試房間變烤箱、12 分鐘跑一個任務——這對日常使用仍是高摩擦。期待下一波量化（INT4、AWQ、GGUF q4_k_m）能把 VRAM 需求壓到 24GB 以下。

體驗地址

• Hugging Face：https://huggingface.co/Qwen/Qwen3.8-27B-FP8
• 魔搭社群（ModelScope）：https://modelscope.cn/Qwen/Qwen3.8-27B-FP8
• Unsloth GGUF 量化版：https://huggingface.co/unsloth/Qwen3.8-27B-GGUF
• 官方 API（Qwen Cloud）：即將上線，提供 1M 預設上下文

編按：本文綜合整理自 Hugging Face 官方 Qwen3.8-27B-FP8 模型頁、阿里千問官方 X 推文、IT之家 8 月 14 日報導，並加入 Siami 編輯部觀點與分析。