
รีวิว Qwen3.8-27B: โมเดลโอเพนเวตขนาด 27B ที่เป็น "Opus ฉบับบ้านๆ" — ทดสอบเทียบกับกระแส hype
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 187 tok/s
- openaiใหม่OpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 87 tok/s
- openaiใหม่OpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 152 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 194 tok/s
- Alibabaใหม่Qwen: Qwen4 Max2026-11-16$1.50 / $4.50 ต่อ 1 ล้านโทเค็น · 86 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 705 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 ต่อ 1 ล้านโทเค็น · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 101 tok/s
Qwen3.8 27B คือโมเดล 27B แบบ open-weights ที่ดีที่สุดที่คุณโฮสต์เองได้ในตอนนี้ และไม่ได้สูสีกับตัวรองลงมาเลยด้วยซ้ำ เวตเปิดตัวเมื่อวันที่ 14 สิงหาคม 2026 ภายใต้สัญญาอนุญาต Apache 2.0: เป็นโมเดล dense 27B (นับรวม vision encoder แล้วเป็น 28B) พร้อมคอนเท็กซ์เนทีฟ 262K รองรับอินพุตรูปภาพและวิดีโอแบบเนทีฟ และมีคะแนนงานเขียนโค้ดแบบ agentic ตามที่ผู้พัฒนารายงานว่าอยู่ในระดับเดียวกับหรือสูงกว่า Claude Opus 4.6 Max — SWE-bench Pro 61.7, DeepSWE 1.1 42.2, LiveCodeBench v6 90.3 ราคาที่เป็นจุดขายคือศูนย์: ดาวน์โหลด 55.6 GB แล้วรันได้เลย ข้อแม้ก็มีอยู่จริงเช่นกัน — การทดสอบอิสระพบว่ามันช้ากว่าและกินโทเคนมากกว่ารุ่นก่อนราวสามเท่า ตาราง benchmark ของผู้พัฒนาก็ยังไม่มีการทำซ้ำผลลัพธ์มารองรับ และคอนเท็กซ์ 1M เป็นฟีเจอร์ที่มีให้เฉพาะบนบริการโฮสต์เท่านั้น ความเคลื่อนไหวที่น่าสนใจหลังเปิดตัวอยู่นอกเหนือสเปกชีต: เมื่อวันที่ 13 ตุลาคม พอร์ต llama.cpp จากคอมมูนิตี้รายงานว่าสามารถรันเวตเหล่านี้บน GPU ของ PlayStation 5 ที่เจลเบรกได้ที่ประมาณ 20 โทเคนต่อวินาที สรุป: หากคุณมี GPU 24 GB ขึ้นไป และต้องการความสามารถที่ใกล้เคียงระดับแนวหน้าโดยไม่ต้องจ่ายค่าบริการแบบคิดตามการใช้งาน ก็โฮสต์เองเลย — แต่จงเข้าไปโดยรู้ให้ชัดว่าตัวเลขส่วนไหนยังไม่หนักแน่น
คำตัดสินก่อน: คุณควรใช้ Qwen3.8 27B หรือไม่?
คำตอบสั้น ๆ — ใช่สำหรับเวิร์กโหลดในเครื่องและส่วนตัว รอตัวเลขจากบุคคลที่สามก่อนตัดสินใจจัดซื้อ Qwen3.8 27Bเป็นโมเดลที่หายากซึ่ง open weights คือตัวผลิตภัณฑ์ และ API คือความสะดวกสบาย เนื่องจากใบอนุญาตเป็น Apache 2.0 ราคาต่อโทเคนจึงเป็นศูนย์ถาวรเมื่อคุณมีฮาร์ดแวร์แล้ว และไม่มีอะไรที่คุณสร้างบนนั้นจะถูกออกใบอนุญาตใหม่หรือเรียกเก็บเงินย้อนหลัง สิ่งที่คุณเสียไปคือความเร็ว การตรวจสอบ และความสะดวก
ถ้าคุณใช้งาน Qwen3.6-27B อยู่แล้วและพอใจกับมัน การอัปเกรดนั้นมีจริงแต่ไม่ฟรีในแง่ของเวลาที่ใช้จริง หากคุณมาที่นี่จากการเปิดตัว Qwen3.8-Max นี่คือสมาชิกที่เล็กกว่าและโฮสต์เองได้ในรุ่นเดียวกัน — เครื่องมือที่แตกต่างสำหรับงานที่แตกต่าง
ข้อเท็จจริงสั้น ๆ ตรวจสอบเมื่อวันที่ 15 ตุลาคม 2026
• เผยแพร่ — น้ำหนักโมเดลเปิดให้ใช้งานเมื่อวันที่ 14 สิงหาคม 2026 ที่ Qwen/Qwen3.8-27B บน Hugging Face และมีมิเรอร์บน ModelScope; รายงานที่อ้างอิงเขตเวลาระบุวันที่ 13 สิงหาคมเช่นกัน และการเผยแพร่ครั้งนี้เกิดขึ้นหลังจากเจนเนอเรชัน Qwen3.8 ถูกประกาศไปประมาณหนึ่งสัปดาห์
• สัญญาอนุญาต — Apache 2.0: ดาวน์โหลด แก้ไข แจกจ่าย ใช้ในเชิงพาณิชย์ได้ พร้อมการให้สิทธิ์สิทธิบัตรอย่างชัดแจ้ง ถาวร
• พารามิเตอร์ — dense ขนาด 27B (28B หากนับรวม vision encoder), 64 เลเยอร์, hidden size 5,120, ขนาดคำศัพท์ 248,320.
• สถาปัตยกรรม — ความสนใจแบบไฮบริด: เลเยอร์ Gated DeltaNet แบบ linear-attention 48 ชั้น เทียบกับเลเยอร์ Gated Attention เต็มรูปแบบ 16 ชั้น (อัตราส่วน 3:1) นี่คือเหตุผลที่โมเดลแบบหนาแน่น 27B สามารถรองรับโทเคนบริบทดั้งเดิมได้ 262K
• บริบท — รองรับ 262,144 โทเค็นโดยกำเนิด; ขยายได้ถึง 1,000,000 ผ่าน YaRN ในเวอร์ชันโฮสต์
• อินพุต — รองรับภาพและวิดีโอโดยตรงควบคู่กับข้อความ; ส่งคืนข้อความ ตัวเข้ารหัสภาพคือสาเหตุที่จำนวนพารามิเตอร์แสดงเป็น 28B
• การคิด — โหมดการใช้เหตุผลเปิดอยู่โดยค่าเริ่มต้น และสามารถปิดได้ตามคำขอ; reasoning_effort (ต่ำ/กลาง/สูง) และ preserve_thinking สำหรับการรันเอเจนต์ระยะยาว.
• น้ำหนัก — BF16 safetensors ขนาด 55.6 GB แบ่งเป็น 18 ชาร์ด; FP8 และ GGUFs จากชุมชนก็มีมาให้ด้วย
สเปกข้างต้นมาจากการ์ดโมเดลและไฟล์คอนฟิกของ Hugging Face สำหรับQwen3.8 27B ซึ่งอ่านเมื่อวันที่ 15 ตุลาคม 2026 ตารางเบนช์มาร์กของผู้จำหน่ายเป็นข้อมูลที่ Alibaba รายงานและยังไม่มีใครจำลองผลได้ การประเมินโดยอิสระเพียงรายการเดียวที่มีบันทึกไว้คือของ Artificial Analysis ซึ่งให้คะแนน Qwen3.8 27B ไว้ที่ 34 บนดัชนี Intelligence Index และวัดความเร็วเอาต์พุตได้ 41.2 โทเคนต่อวินาที — เป็นดัชนีเดียวเมื่อเทียบกับการ์ดที่เต็มไปด้วยตัวเลขจากผู้จำหน่าย และผลนี้ไม่ได้ยืนยันตัวเลขเหล่านั้น
สิ่งที่ Qwen3.8 27B ทำได้ดีอย่างแท้จริง
กรณีที่แข็งแกร่งที่สุดคือวิศวกรรมซอฟต์แวร์แบบเอเจนต์ Alibaba รายงานการเพิ่มขึ้น 3 เท่าบน DeepSWE 1.1 เมื่อเทียบกับรุ่น 27B ก่อนหน้า (42.2 เทียบกับ 13.3) และได้คะแนนสูงกว่า Claude Opus 4.6 Max บน SWE-bench Pro (61.7 เทียบกับ 53.4) นี่คือตัวเลขที่ทำให้มันได้รับฉายาว่า "Opus at home" — โมเดล 27B แบบ dense ที่ทำงานเขียนโค้ดระดับใกล้แนวหน้าบนฮาร์ดแวร์ที่บุคคลธรรมดาสามารถเป็นเจ้าของได้จริง

นอกเหนือจากตัวเลขดิบแล้ว ยังมีอีกสามสิ่งที่ทำให้การซื้อนี้สมเหตุสมผล:
• มัลติโมดัลแบบเนทีฟ. รองรับอินพุตรูปภาพและวิดีโอ เอาต์พุตเป็นข้อความ — เอกสารที่มีไดอะแกรมหรือวิดีโอแนะนำการใช้งานไม่ใช่โมเดลแยกต่างหาก คะแนนการให้เหตุผลทางภาพ (85.6 เมื่อเปิดใช้คุณสมบัติ chain-of-thought, 94.6 สำหรับคณิตศาสตร์ภาพ ทั้งคู่รายงานโดยผู้จำหน่าย) คือจุดที่ตัวเข้ารหัสภาพพิสูจน์คุณค่าของมัน
• 262K บริบทดั้งเดิม. งานเอเจนต์ระยะยาว โค้ดเบสขนาดใหญ่ และบทถอดความหลายชั่วโมงสามารถอยู่ในหน้าต่างเดียวได้ การออกแบบไฮบริดลิเนียร์-แอตเทนชันทำให้ต้นทุน KV ของบริบทนั้นต่ำกว่าโมเดลที่ใช้ full-attention เพียงอย่างเดียวที่มีขนาดเท่ากัน
• น้ำหนักโมเดลฟรีและถาวร นี่คือประเด็นหลักของหมวดหมู่นี้: โมเดล API แบบปิดเป็นแบบเช่า; Qwen3.8 27B เป็นของคุณ ที่ 4-bit มันรันบนการ์ด 24 GB (ระดับ RTX 3090/4090) และ AMD ให้การสนับสนุน Day-0 (สูงสุด 24.5 tokens/s บน Ryzen AI Max+ 395 และ 51.8 tokens/s บน Radeon AI PRO R9700 ตามบล็อกของ AMD เอง)
จุดที่รีวิวเริ่มแย่ลง: ความเร็ว โทเคน และการตรวจสอบ
การทดสอบอิสระในตอนนี้เป็นเพียงชุดทดสอบของคนคนเดียว ไม่ใช่ห้องปฏิบัติการ — แต่มันเป็นสัญญาณที่ดีที่สุดที่เรามี การรันQwen3.8 27BเทียบกับQwen3.6-27Bบนงานจริงสิบงาน (ตัดสินโดย GPT-5.5 ผ่านชุดทดสอบ llmcompare) รุ่น 3.8 ชนะเก้าในสิบงาน และได้คะแนนเฉลี่ย 8.838 เทียบกับ 6.862 — "หนึ่งในการเพิ่มพูนความฉลาดที่น่าประทับใจที่สุด" ที่ผู้ทดสอบเคยเห็น นอกจากนี้ยังใช้โทเคนเกือบสามเท่าและช้ากว่าอย่างเห็นได้ชัด งานหนึ่งใช้เวลานานขึ้นประมาณ 600% ดังนั้นการเพิ่มขึ้นของคุณภาพเป็นเรื่องจริง และราคาที่ต้องจ่ายในแง่เวลาจริงก็เป็นเรื่องจริงเช่นกัน
อีกสี่อย่างที่เอาไว้ตำหนิมัน:
• เบนช์มาร์กอิสระ มีน้อยกว่าที่การ์ดบ่งชี้ การ์ดของผู้ขายมีรายละเอียด และทุกตัวเลขบนการ์ดนั้นยังคงเป็นข้อมูลที่ Alibaba รายงานเอง คะแนน Intelligence Index ของ Artificial Analysis ที่ 34 ซึ่งอ่านค่าเมื่อวันที่ 15 ตุลาคม เป็นการประเมินอิสระครั้งแรกที่โมเดลนี้มี — คะแนนเดียว จากแล็บเดียว ซึ่งไม่ได้บอกอะไรเกี่ยวกับ SWE-bench Pro 61.7 หรือ DeepSWE 1.1 42.2 หากการตัดสินใจของคุณจำเป็นต้องให้ข้ออ้างด้าน agentic ได้รับการทำซ้ำ สิ่งเหล่านั้นก็ยังไม่ได้รับการทำซ้ำ
• VRAM ขั้นต่ำเป็นเรื่องจริง. BF16 ต้องใช้ GPU ระดับ 80 GB. เพื่อให้พอดีกับการ์ด 24 GB คุณต้องรันแบบ 4-bit และรายงานจากคอมมูนิตี้ (เธรดความคิดเห็นบน dev.to หลังจากเปิดตัวไม่กี่วัน) กล่าวว่า บิลด์แบบควอนไทซ์ "สูญเสียโฟกัสหลังจากบริบทที่ยาว" เวทอย่างเป็นทางการถ้าคุณมี VRAM; แบบควอนไทซ์ถ้าคุณไม่มี — และเส้นทางการควอนไทซ์ตอนนี้ไปถึงฮาร์ดแวร์ที่ต่ำกว่าการ์ด 24 GB มาก ซึ่งการวัดบน PlayStation 5 ด้านล่างนี้เป็นหลักฐานจริงชิ้นแรกของสิ่งนั้น.
• บริบท 1M ใช้งานได้เฉพาะผ่านโฮสต์เท่านั้น. น้ำหนักเปิดจำกัดสูงสุดที่ 262K ส่วนค่าที่ขยายได้ถึง 1M เป็นฟีเจอร์ของ Qwen Cloud ที่โฮสต์ให้ใช้ ไม่ใช่สิ่งที่เวอร์ชันที่รันในเครื่องจะทำได้ทันทีโดยไม่ต้องตั้งค่า.
• "Beats Opus" ต้องมีข้อแม้. เกณฑ์วัดแบบเอเจนต์ให้รางวัลกับพฤติกรรมเฉพาะของชุดทดสอบ และคอมเมนต์ยอดนิยมบนโพสต์เปิดตัวที่ dev.to พูดตรงๆ ว่า "พวกมันไม่ได้เหนือกว่า Opus ในการใช้งานจริง." จงมองกระดานคะแนนเป็นขีดจำกัดบนในวันที่ดี ไม่ใช่คำสัญญา.
มันวางตัวอย่างไรในตระกูล Qwen 3.8
• เทียบกับ Qwen3.6-27B — ฮาร์ดแวร์คลาสเดียวกันและคอนเท็กซ์ 262K เท่าเดิม แต่ความสามารถก้าวกระโดดขึ้นอย่างมาก แลกมาด้วยความเร็วและประสิทธิภาพการใช้โทเคน หากคุณรัน 3.6 อยู่แล้วและมีข้อจำกัดด้านธรุปพุต การอยู่กับเวอร์ชันเดิมก็ถือว่าสมเหตุสมผล
• เทียบกับ Qwen3-Coder-30B-A3B — Coder เป็น MoE ที่มีพารามิเตอร์ที่ใช้งานจริงประมาณ 3.3B พันล้านตัว และทำงานได้เร็วกว่ามาก (~90–110 โทเคนต่อวินาที) โมเดล 27B แบบ dense นั้นช้ากว่าต่อโทเคน แต่สืบทอดประโยชน์ด้าน agentic ของเจนเนอเรชันนี้ หากคะแนนด้านวิศวกรรมซอฟต์แวร์ของรุ่น 27B ยังคงดีภายใต้การทดสอบอิสระ บทบาทของ Coder-30B ก็จะลดลง
• เทียบกับ Qwen3.8-Max — โมเดลเรือธง MoE ขนาด 2.4T เป็นโมเดลสำหรับดาตาเซ็นเตอร์ (ใช้ผ่าน API เท่านั้น ราคาประมาณ $2/$6 ต่อล้านโทเคนตามที่เผยแพร่) มีบริบท 1M และรองรับวิดีโอ ส่วนรุ่น 27B เป็นรุ่นที่นำไปปรับใช้ได้จริง ทั้งสองตอบคำถามคนละแบบ
เกณฑ์ขั้นต่ำด้านฮาร์ดแวร์เปลี่ยนแปลงไปเมื่อวันที่ 13 ตุลาคม
PS5LM เป็นพอร์ตของ llama.cpp ที่รันโมเดล GGUF บน PlayStation 5 ที่ผ่านการเจลเบรก ภายในคอนโซลที่คุณมีอยู่แล้ว บิลด์ที่เปิดตัวนั้นเรียบง่าย — v0.1.1 เพย์โหลดเดียวที่จำกัดอยู่ที่โมเดลประมาณ 1.6 GB ซึ่งก็คือ Qwen3.5 2B ที่ 4-bit และไม่มีอะไรใหญ่กว่านั้น บน CPU เท่านั้น เมื่อวันที่ 13 ตุลาคม โครงการได้รับ pull request ที่เปลี่ยนหน้าตาของรายการฮาร์ดแวร์: เส้นทางแอปเนทีฟที่ลิงก์ llama-server เข้ากับไดรเวอร์ Vulkan จากชุมชนสำหรับคอนโซลนี้ และรายงานว่า Qwen3.8 27B ทำได้ 20.7 โทเคนต่อวินาทีบนควอนไทเซชัน UD-IQ2_XXS (6.77 GiB, คอนเท็กซ์ 64k) และ 20.3 โทเคนต่อวินาทีบน UD-Q2_K_XL (9.15 GiB, คอนเท็กซ์ 32k, แคช q4_0) โดยมีคำตอบหนึ่งคำตอบความยาว 7,775 โทเคนที่ทำได้ต่อเนื่อง 19.7 โทเคนต่อวินาที คอนโซลเดียวกันทำได้ 61 โทเคนต่อวินาทีบน Gemma 4 E4B และ 124 บน Llama 3.2 3B Instruct ซึ่งนั่นคือสิ่งที่ทำให้ตัวเลข 27B น่าอ่าน: มันไม่ใช่โมเดลเล็กที่ทำให้ตัวเลขใหญ่ดูดีเกินจริง
ติดป้ายกำกับไว้ก่อนที่คุณจะลงมือกับมัน ตัวเลขเหล่านั้นเป็นการวัดของผู้เขียน pull request เองบนแบรนช์ที่ยังไม่ถูก merge ไม่ใช่เกณฑ์มาตรฐานของผู้ขายและไม่ใช่บิลด์ที่เผยแพร่แล้ว รีโพซิทอรีของ PS5LM เองยังคงระบุทั้ง GPU offload และ Qwen 3.8 27B เป็นรายการในโรดแมปที่ยังไม่ได้จัดส่ง และความคิดเห็นของผู้ดูแลใน pull request กล่าวว่าเขาจะทำซ้ำตัวเลขเหล่านั้นบนคอนโซลของตัวเองก่อนที่ README จะนำไปใส่ ผู้ทดสอบรายที่สองรายงานว่าแอปทำงานได้เลย — เฟิร์มแวร์ 4.50, โมเดล 7B และ 9B ที่ประมาณ 30 โทเคนต่อวินาที — ซึ่งยืนยันกลไกได้โดยไม่ต้องทำซ้ำผลลัพธ์ 27B การไปถึงจุดนั้นยังถือว่าคุณต้องมีคอนโซลเป็นของตัวเอง เฟิร์มแวร์ 7.00 ถึง 13.60 และการเจลเบรก
สิ่งที่มันเปลี่ยนแปลงคือรูปร่างของคำถามเรื่องต้นทุน ไม่ใช่คำตอบของมัน โมเดล dense 27B ที่ทำได้ประมาณ 20 โทเคนต่อวินาทีบนคอนโซลเกมนั้นช้ากว่าโมเดลเดียวกันที่ให้บริการจาก GPU จริง — Artificial Analysis วัดได้ 41.2 โทเคนต่อวินาทีผ่าน API ของ Alibaba เอง และ 20 โทเคนต่อวินาทีคือความเร็วของบิลด์ 2-bit พร้อมกับความสูญเสียคุณภาพที่การบีบอัดนั้นหมายถึง ดังนั้นนี่จึงไม่ใช่เหตุผลที่จะข้ามการ์ด 24 GB ไป มันเป็นหลักฐานว่าคลาสนี้สามารถรันได้ต่ำกว่านั้นมาก ถ้าสิ่งที่คุณต้องการจริงๆ คือการรู้ว่าโมเดลดีหรือไม่ก่อนที่คุณจะใช้เวลาทั้งสุดสัปดาห์ไปกับการ jailbreak วิธีที่ถูกที่สุดคือการเรียกแบบมิเตอร์: คีย์เดียวใช้ได้กับ 200+ โมเดล ไม่ต้องมีสัญญาที่สอง และมีการ failover อัตโนมัติข้ามผู้ให้บริการหาก endpoint ไม่เสถียรในขณะที่คุณกำลังประเมิน
ค่าใช้จ่าย: คำถามระหว่างโลคัลกับ API ยุติแล้ว
สำหรับโมเดลแบบปิด คุณจะเปรียบเทียบราคาต่อโทเคน สำหรับ Qwen3.8 27Bโทเคนส่วนเพิ่มไม่มีค่าใช้จ่ายใด ๆ บนฮาร์ดแวร์ของคุณเอง — ราคาจริงคือ GPU ที่ต้องจ่ายล่วงหน้าและเวลาของคุณ ที่ 4-bit นั่นคือการ์ด 24 GB; ที่ BF16 คือเครื่องระดับ 80 GB หากคุณไม่มีเครื่องนั้น หรือต้องการคำตอบก่อนจะใช้พื้นที่ดิสก์ 55.6 GB เส้นทางแบบโฮสต์ก็มีอยู่: OrcaRouter แสดง Qwen3.8 27Bในราคา $0.33 ต่ออินพุตหนึ่งล้านโทเคน และ $2.40 ต่อเอาต์พุตหนึ่งล้านโทเคน บนหน้าโมเดล OrcaRouter ซึ่งเป็นราคาตามรายการของผู้ให้บริการที่ส่งผ่านโดยคิด มาร์กอัป 0% (ตรวจสอบเมื่อวันที่ 15 ตุลาคม 2026) ระดับฟรีแบบจำกัดอัตราที่หน้านี้อธิบายไว้เมื่อเดือนสิงหาคมไม่ปรากฏอยู่ที่นั่นอีกต่อไป — ให้ถือว่าล้าสมัย เว้นแต่คุณจะเห็นระบุไว้ API ของ Alibaba เองเป็นเส้นทางแบบโฮสต์อีกเส้นทางหนึ่ง ซึ่ง Artificial Analysis ระบุไว้ที่ $0.50 และ $3.00 ต่อหนึ่งล้านสำหรับการกำหนดค่าการใช้เหตุผล Xhigh เวอร์ชันโฮสต์ของ Qwen Cloud ที่มีบริบท 1M ยังคงถูกทำเครื่องหมายว่า "เร็ว ๆ นี้"

การวางกรอบอย่างตรงไปตรงมาคือ สำหรับโมเดลแบบเปิดเวต ผู้ให้บริการเป็นเพียงความสะดวก ไม่ใช่สิ่งที่ต้องพึ่งพา การเรียกใช้แบบโฮสต์ที่คิดค่าตามการใช้งานเป็นวิธีที่ถูกที่สุดเท่าที่จะเป็นไปได้ในการตัดสินว่าการดาวน์โหลด 55.6 GB นั้นคุ้มค่าหรือไม่ และยังเป็นวิธีเดียวที่จะทดสอบโมเดลได้โดยไม่ต้องแก้ปัญหาฮาร์ดแวร์ที่ย่อหน้าเกี่ยวกับ PlayStation 5 อธิบายไว้ก่อน แต่เมื่อคุณตัดสินใจแล้ว ตัวเวตต่างหากคือสิ่งสำคัญ — และมันฟรี
วิธีลองใช้งานจริง
• การประเมินที่เร็วที่สุด — เรียกใช้บน endpoint ที่โฮสต์ไว้ในราคา $0.33/$2.40 ต่อล้านโทเค็น งานจริงเพียงไม่กี่แสนโทเค็นมีค่าใช้จ่ายแค่ไม่กี่เซนต์ และช่วยให้ได้คำตอบก่อนที่คุณจะดาวน์โหลดอะไรเสียอีก
• ทดสอบจริงบนฮาร์ดแวร์ของคุณ — ดาวน์โหลด GGUF จากชุมชน (บิลด์ Q4_K_M มีขนาดประมาณ 17 GB และพอดีกับการ์ด 24 GB) แล้วรันด้วย llama.cpp หรือ Ollama ส่ง Jinja chat template หรือโมเดลจะตอบคุณใน thought tags สำหรับ vision จาก GGUF คุณยังต้องใช้ไฟล์ mmproj แยกต่างหาก รันบุ๊กของเราสำหรับการรัน Qwen3.8 27B ในเครื่องจะอธิบายทีละขั้นตอน
• ความแม่นยำเต็มรูปแบบ — ดาวน์โหลด Qwen/Qwen3.8-27B ด้วยคำสั่ง huggingface-cli ลงบน GPU ระดับ 80 GB.
• ตรวจสอบสิ่งที่คุณดาวน์โหลด — ตรวจสอบว่าผู้เผยแพร่คือ Qwen org และตรวจสอบ shards กับ crc32.txt; มี repo ที่หน้าตาคล้ายกันปรากฏก่อนการเผยแพร่
เมื่อบทวิจารณ์นี้ผิด (และใครควรข้าม Qwen3.8 27B)
• คุณไม่มี GPU และจะไม่เช่า GPU ด้วย ระดับโฮสต์มีค่าใช้จ่าย $0.33/$2.40 ต่อล้านโทเค็น — โมเดล API ขนาดเล็กอาจให้บริการคุณได้ถูกกว่าและเชื่อถือได้มากกว่า โมเดลนี้เหมาะสำหรับคนที่ต้องการเป็นเจ้าของอินเฟอเรนซ์เอง
• คุณจำเป็นต้องมี SLA ระดับโฮสต์เปิดให้บริการกลางเดือนสิงหาคม ส่วนหน้าโมเดล OrcaRouter ซึ่งอ่านเมื่อวันที่ 15 ตุลาคม แสดงอัตราข้อผิดพลาด 2.8% ในช่วงเจ็ดวันย้อนหลัง ความหน่วง p50 ของโทเคนแรกอยู่ที่ 3.23 วินาที และเอาต์พุต 156 โทเคนต่อวินาที จาก 77.2 ล้านโทเคนที่ถูกจัดเส้นทางในช่วงดังกล่าว ผ่านไปสองเดือน นี่ถือเป็นปลายทางที่ใช้งานได้จริง ไม่ใช่คิวในวันเปิดตัว — แต่ค่าเฉลี่ยเจ็ดวันย้อนหลังก็ยังไม่ใช่สัญญาระดับโปรดักชัน ผู้ที่โฮสต์เองควรปักหมุดคอมมิตที่ดาวน์โหลดไว้และเตรียมทางเลือกสำรองไว้ด้วย
• คุณต้องให้คำกล่าวอ้างเรื่อง agentic ของผู้จำหน่ายถูกทำซ้ำ ไม่ใช่แค่คะแนนดัชนีเพียงค่าเดียวคะแนน Intelligence Index ของ Artificial Analysis ที่ 34 คือตัวเลขอิสระเพียงตัวเดียวที่โมเดลนี้มี และมันไม่ได้บอกอะไรเกี่ยวกับ SWE-bench Pro 61.7 หรือ DeepSWE 1.1 42.2 — ซึ่งทั้งคู่ยังเป็นข้อมูลที่ Alibaba รายงานเอง เป็นเพียงข้อมูลเชิงทิศทาง ไม่ใช่ระดับที่ใช้ในกระบวนการจัดซื้อจัดจ้าง
• คอนเท็กซ์ 262K แบบโอเพนเวตส์ยังไม่เพียงพอ ส่วนขยาย 1M ในวันนี้มีเฉพาะแบบโฮสต์เท่านั้น
• ทรูพุตคือคอขวดของคุณ การสรุปแบบเป็นชุดใหญ่หรือแบตช์ขนาดใหญ่จะส่งผลเสีย: นี่คือโมเดล 27B แบบ Dense ที่กินโทเคนมากกว่ารุ่นก่อนประมาณ 3 เท่า สำหรับงานปริมาณมากที่เน้นความคุ้มค่า โมเดลที่เล็กกว่าหรือเร็วกว่าจะดีกว่า
• คุณกำลังอยู่บนการ์ด 12 GB GGUF แบบ 2-bit เบียดเข้ามาได้โดยมีการสูญเสียคุณภาพที่มองเห็นได้ — นั่นคือการตั้งค่าที่อยู่เบื้องหลังจุดข้อมูล PlayStation 5 ข้างต้น — ดังนั้นนี่คือโมเดลสำหรับทดลอง ไม่ใช่สำหรับยึดเป็นมาตรฐาน

สรุป
Qwen3.8 27B เป็นโมเดล 27B แบบเปิดน้ำหนักที่แข็งแกร่งที่สุดที่มีอยู่ในวันนี้ และฟรีตลอดไปภายใต้ Apache 2.0 หากคุณมี GPU 24 GB+ และต้องการการเขียนโค้ดแบบเอเจนติก คอนเท็กซ์ 262K และการป้อนภาพ/วิดีโอแบบเนทีฟโดยไม่มีบิลคิดตามการใช้งาน นี่คือตัวที่ควรซื้อ เหตุผลที่ควรชะลอไว้ก็ชัดเจนพอ ๆ กัน: คุณต้องมีคำกล่าวอ้างเรื่องการเขียนโค้ดแบบเอเจนติกของผู้ขายที่ได้รับการยืนยันจากที่อื่นที่ไม่ใช่โมเดลการ์ด, มี SLA, มีคอนเท็กซ์แบบเปิดน้ำหนักมากกว่า 262K หรือมีอัตราการประมวลผลที่สูงกว่าที่โมเดล dense 27B ให้ได้ โมเดลออกแล้ว น้ำหนักนั้นมีจริง คะแนนอิสระเพียงหนึ่งเดียวจนถึงตอนนี้คือ 34 ซึ่งนับว่าน่าพอใจ และพื้นฮาร์ดแวร์ขั้นต่ำกลับต่ำกว่าที่การรายงานช่วงเปิดตัวสันนิษฐานไว้ เพียงจำไว้ว่าตัวเลขใดมาจากแล็บ และตัวเลขใดมาจากผู้ขาย
