Qwen3.8-Flash-Next กับ Qwen3.8-27B: เช่าปริมาณงานประมวลผล หรือเป็นเจ้าของน้ำหนักโมเดล

Qwen3.8-Flash-Next และ Qwen3.8-27B คือสองคำตอบของคำถามเดียวกัน เผยแพร่ห่างกันหกวันโดยแลปเดียวกัน และคำถามนั้นก็คือ ทีมควรใช้งานอะไรจริง ๆ เมื่อต้องการโมเดลจากเจนเนอเรชันนี้ที่พร้อมนำไปวางหน้ากระแสทราฟฟิกโปรดักชัน Qwen3.8-27B เปิดตัวเมื่อวันที่ 13 สิงหาคม 2026 เป็นโมเดลแบบ dense ขนาด 27,000 ล้านพารามิเตอร์ภายใต้สัญญาอนุญาต Apache 2.0 ซึ่งน้ำหนัก BF16 ขนาด 55.6 GB พอดีกับการ์ด 24 GB เพียงใบเดียวเมื่อควอนไทซ์แล้ว ส่วน Qwen3.8-Flash-Next มาถึง Hugging Face เมื่อวันที่ 24 สิงหาคม และ ModelScope เมื่อวันที่ 26 สิงหาคม โดยเก็บพารามิเตอร์ไว้ราว 180B และเปิดใช้งาน 6B ต่อโทเคน ภายใต้ Qwen Community License 1.0 ที่เข้มงวดกว่า อันหนึ่งคือไฟล์ อีกอันคือโปรไฟล์ทรูพุต การเลือกระหว่างสองสิ่งนี้ส่วนใหญ่เป็นคำถามว่า workload ของคุณต้องการสิ่งใดจริง ๆ

พวกมันเป็นญาติที่ใกล้ชิดกันมากกว่าที่ชื่อบ่งบอก ทั้งคู่มีบริบทในตัว 262,144 โทเคน ซึ่งขยายได้ถึง 1,000,000 ทั้งคู่รับข้อความ รูปภาพ และวิดีโอเข้า และส่งคืนข้อความ และทั้งคู่ใช้แนวคิด hybrid attention แบบเดียวกันที่ Alibaba ได้นำมาใช้ตั้งแต่รุ่น Qwen3.5 — โดยที่เลเยอร์ linear attention ส่วนใหญ่ทำงานบริบทแบบยาวได้อย่างประหยัด ส่วนเลเยอร์ full attention ส่วนน้อยจัดการการดึงข้อมูลที่แม่นยำ ซึ่งเป็นสิ่งที่ linear attention ทำได้ไม่ดี จุดที่พวกมันไม่เหมือนกันคือทุกสิ่งทุกอย่างที่ตามมา: สัญญาอนุญาต ขนาด ราคาต่อโทเคน และสิ่งที่คุณต้องทำเพื่อให้มันทำงานได้

แต่ละอันคืออะไร อธิบายอันละหนึ่งย่อหน้า

Qwen3.8-27B เป็นโมเดลภาษาศาสตร์แบบ causal แบบ dense ที่มีตัวเข้ารหัสภาพ: 64 เลเยอร์, มิติซ่อน 5120, ขนาด intermediate 17,408 และคลังคำศัพท์ 248,320 โทเคน โดยสแตกแอตเทนชันถูกแบ่งเป็น 48 เลเยอร์เชิงเส้น Gated DeltaNet เทียบกับ 16 เลเยอร์ Gated Attention Alibaba ฝึกมันด้วยการทำนายหลายโทเคน โหมดคิดเปิดเป็นค่าเริ่มต้นโดยมีระดับ `reasoning_effort` ได้แก่ xhigh, medium และ low และแถวด้านภาพของโมเดลการ์ดเองครอบคลุมการแยกวิเคราะห์เอกสาร (OmniDocBench 1.5 ที่ 91.1) งาน GUI (OSWorld-Verified 84.3, AndroidWorld 81.9) และการให้เหตุผลเชิงภาพทั่วไป (RealWorldQA 85.9, MathVision 90.0) ในความหมายธรรมดาแล้ว มันคือโมเดลที่ดาวน์โหลดได้: หนึ่งรีโพซิทอรี, สิบแปดแชร์ด safetensors, ไฟล์ใบอนุญาต และขนาดที่เวิร์กสเตชันระดับจริงจังสามารถเก็บไว้ได้

Qwen3.8-Flash-Next เป็นแบบผสมผู้เชี่ยวชาญ (mixture of experts) บนสถาปัตยกรรมที่ Alibaba ระบุว่าจะเป็นรากฐานของ Qwen4 — 48 เลเยอร์, ผู้เชี่ยวชาญ 512 ตัว โดยมี 10 ตัวที่ถูกจัดเส้นทางและอีกหนึ่งตัวที่ใช้ร่วมกัน, พารามิเตอร์ 125B ในส่วนตัวโมเดลของผู้เชี่ยวชาญที่เปิดใช้งาน 6B ต่อโทเคน, บวกกับตาราง embedding แบบ n-gram ขนาด 51B แยกต่างหาก และเลเยอร์ multi-token-prediction ประมาณ 4B สแต็ก attention ของมันใช้แนวคิดแบบสามต่อหนึ่งเดียวกันในสเกลที่ต่างออกไป: เลเยอร์ Gated DeltaNet 36 ชั้น เทียบกับ 12 ชั้นที่รัน Qwen Sparse Attention การ์ดโมเดลระบุชัดเจนว่านี่คือตัวอย่างทดลองของสถาปัตยกรรม ไม่ใช่โมเดล Qwen4 และเวอร์ชันโปรดักชันที่ให้บริการคือ Qwen3.8-Flash ผ่าน Qwen Cloud มันไม่ใช่ไฟล์ที่คุณเป็นเจ้าของได้ตามอัธยาศัย — หากแต่เป็นโจทย์ด้านการให้บริการที่คุณแก้เพียงครั้งเดียว แล้วจึงรันได้อย่างประหยัด

จุดที่ทั้งสองแตกต่างกันออกไปนอกเหนือจากจำนวนพารามิเตอร์

สัญญาอนุญาตคือจุดที่แตกต่างแรก และเป็นสิ่งที่อยู่ยืนยาวกว่าการโต้แย้งเรื่อง benchmark ทุกข้อในหน้านี้ Qwen3.8-27B ใช้ Apache 2.0 แค่นั้น: ใช้งานเชิงพาณิชย์ ดัดแปลง แจกจ่ายต่อ สร้างงานดัดแปลงได้ ไม่มีเกณฑ์รายได้ขั้นต่ำ และไม่มีข้อตกลงแยกให้ต้องเจรจา ส่วน Qwen3.8-Flash-Next ใช้ Qwen Community License 1.0 ซึ่งอนุญาตให้ใช้งานเชิงพาณิชย์ รวมถึงการขายงานดัดแปลง แต่กำหนดให้ต้องมีข้อตกลงเชิงพาณิชย์แยกกับ Alibaba หากคุณดำเนินธุรกิจแบบ model-as-a-service หรือผู้ช่วยงานด้าน AI เกินเกณฑ์รายได้และจำนวนผู้ใช้ที่ใช้งานต่อเดือนที่กำหนดไว้ หากคุณกำลังสร้างผลิตภัณฑ์ ไม่ใช่เครื่องมือภายในองค์กร ข้อกำหนดนั้นไม่ใช่หมายเหตุท้ายกระดาษ แต่เป็นรายการที่ต้องคิดเป็นต้นทุน ควรอ่านสัญญาอนุญาตก่อนอ่านตาราง benchmark เพราะมันอาจตัดโมเดลที่ชนะทุกคะแนนออกไปได้เลย

ความแตกต่างประการที่สองคือความหมายของคำว่า "โลคอล" สำหรับ 27B โลคอลหมายถึงเครื่องเดียว: ควอนไทซ์เหลือสี่บิตแล้วโมเดลก็พอดีในการ์ด 24 GB โดยบันไดรูปแบบ — ระดับควอนไทเซชัน GGUF, MLX สำหรับ Apple Silicon, การคำนวณ VRAM จริง — มีอธิบายอย่างละเอียดในหน้าพี่น้องแทนที่จะกล่าวซ้ำที่นี่ สำหรับ Flash-Next โลคอลหมายถึงการจัดสรรทรัพยากรสำหรับเช็กพอยต์ขนาด 180B พารามิเตอร์ vLLM ให้บริการได้ตั้งแต่วันแรกด้วยเส้นทางออฟโหลดที่เก็บตาราง n-gram ขนาด 51B พารามิเตอร์ไว้ในหน่วยความจำโฮสต์แทนที่จะอยู่ใน VRAM ถาวร, SGLang และ TensorRT-LLM อยู่ในรายการ Day 0 ของ NVIDIA และไลบรารีของ Ollama มีบิลด์ MLX สำหรับ Apple Silicon — แต่ "รันได้" กับ "รันบนเครื่องที่คุณมี" เป็นคนละประโยค และมีเพียง 27B เท่านั้นที่อ้างประโยคที่สองได้

สิ่งที่ตัวเลขสาธารณะบอก และสิ่งที่มันไม่บอก

ทั้งสองโมเดลมีตัวเลขจาก Artificial Analysis ซึ่งมาจากดัชนีเดียวกัน ทำให้สิ่งนี้เป็นการเปรียบเทียบภายในตระกูลเดียวกันที่หาได้ยาก โดยตัวเลขอิสระอย่างน้อยก็สามารถอ่านเทียบเคียงกันได้ Qwen3.8-27B ได้ 33.7 บน Intelligence Index — อยู่อันดับ 47 โดยรวม เปอร์เซ็นไทล์ที่ 66 — และ 68.1 บน AA Coding Index อยู่อันดับ 35 โดยรวม Flash-Next preview แบบเปิดน้ำหนักได้ 40 บน Intelligence Index อยู่อันดับที่ห้าในบรรดา 113 โมเดลในกลุ่มการเปรียบเทียบของตน รายการเหล่านั้นถูกประเมินในวันที่ต่างกัน ดังนั้นให้อ่านช่องว่างนี้ในเชิงทิศทางมากกว่าเป็นผลลัพธ์ที่ควบคุมแล้ว

รายละเอียดเบื้องหลังสองคะแนนนี้น่าสนใจกว่าตัวคะแนนเอง ในการประเมินแต่ละรายการ การ์ดของ 27B เองรายงานว่า 90.3 บน LiveCodeBench v6, 89.2 บน GPQA Diamond และ 79.0 บน QwenSWEBench ในขณะที่การ์ดของ Flash-Next preview รายงาน 91.9, 91.7 และ — บนเบนช์มาร์กของตระกูลเดียวกัน — 81.0 บน SWE-bench Multilingual และ 62.5 บน SWE-bench Pro ทั้งหมดนั้นเป็นตัวเลขของผู้ขายเอง ที่ผลิตโดยผู้ขาย และไม่มีตัวเลขใดเลยที่ถูกทำซ้ำโดยบุคคลที่สามบนฮาร์เนสที่จับคู่กัน ภาพรวมจากการทดสอบอิสระแคบกว่า และชี้ไปในทางตรงกันข้ามในบางแถว: preview เก่งงานด้านความรู้และงานเทอร์มินัล แต่อ่อนในการสร้างรีโพซิทอรีระยะยาว ในขณะที่ดัชนีการเขียนโค้ดอิสระของ 27B ที่ 68.1 อยู่ต่ำกว่าที่ตัวเลข SWE ที่ผู้ขายรายงานเองจะบ่งชี้

ความแตกต่างในทางปฏิบัติข้อหนึ่งที่ดัชนีสะท้อนออกมาคือ พรีวิวนี้พูดมากเกินไป Artificial Analysis วัดได้ที่ 53 โทเคนเอาต์พุตต่อวินาที โดยใช้เวลา 2.80 วินาทีถึงโทเคนแรก และจัดว่า "พูดมากเกินไปอย่างมาก" เผาผลาญ 108k โทเคนเอาต์พุตต่องาน ซึ่ง 72k เป็นการให้เหตุผล ส่วน 27B ซึ่งวัดผ่านเพลย์กราวด์ของเราเองในช่วงเจ็ดวันที่ผ่านมา ให้ผลลัพธ์เพียงกว่า 200 โทเคนเอาต์พุตต่อวินาที ที่ค่ามัธยฐาน 4.97 วินาทีถึงโทเคนแรก เป็นฮาร์เนสคนละแบบ ดังนั้นให้ถือว่าอัตราเหล่านี้เป็นเพียงตัวบ่งชี้ แต่ก็บรรยายรูปร่างแบบเดียวกันกับที่สถาปัตยกรรมบ่งชี้ ตัวหนึ่งใช้โทเคนเพื่อไปให้ถึงคำตอบ อีกตัวใช้น้อยกว่า และการออกแบบแบบ dense ทำให้แต่ละโทเคนผลิตได้ถูกลง

ราคา สำหรับทั้งสองยูนิตที่มีความสำคัญ

ต่อโทเคน ทั้งสองใกล้เคียงกันมากพอที่การตัดสินใจจะไม่ได้ถูกกำหนดจากตรงนี้ Qwen3.8-27B ถูกกำหนดเส้นทางที่ $0.33 ต่อล้านโทเคนอินพุต และ $2.40 ต่อล้านโทเคนเอาต์พุต ส่วน Qwen3.8-Flash ที่ให้บริการถูกกำหนดเส้นทางที่ $0.15 และ $0.47 โดยทั้งคู่อยู่ในราคาตามรายการของผู้ให้บริการที่ส่งผ่านมาโดยไม่มีการบวกเพิ่ม ดังนั้นตัวแปร Flash สำหรับโปรดักชันจึงมีราคาถูกกว่าประมาณ 2.2 เท่าในด้านอินพุต และถูกกว่าประมาณ 5.1 เท่าในด้านเอาต์พุต

เมื่อคิดต่อไบต์บนดิสก์ ทั้งสองไม่ได้ใกล้เคียงกันเลย และนี่คือตัวเลขที่ผู้อ่านซึ่งประเมินการติดตั้งใช้งานภายในเครื่องต่ำเกินไปมักมองข้าม 27B คือน้ำหนัก BF16 ขนาด 55.6 GB กระจายอยู่บนสิบแปดชาร์ด ซึ่งบีบอัดได้จนเหลือขนาดที่รันบนการ์ดสำหรับผู้ใช้ทั่วไปเพียงใบเดียว พรีวิวเป็นเช็กพอยต์ขนาด 180B พารามิเตอร์ที่ความแม่นยำเดียวกัน — ใช้พื้นที่จัดเก็บมากกว่าหลายเท่า ใช้แบนด์วิดท์หน่วยความจำมากกว่าหลายเท่า และเป็นคอนฟิกูเรชันสำหรับเสิร์ฟที่ตั้งสมมติฐานว่าต้องออฟโหลดไปยังหน่วยความจำโฮสต์ แทนที่จะใช้เพียงอุปกรณ์เดียว ถ้าข้อจำกัดของคุณคือเครื่องที่คุณมีอยู่แล้ว 27B ไม่ใช่ตัวเลือกที่ถูกกว่า แต่เป็นตัวเลือกเดียวเท่านั้น

จะรันอันไหน

เลือก Qwen3.8-27B หากคุณต้องการเป็นเจ้าของโมเดลเองแทนการเช่า: การติดตั้งแบบ on-premise หรือ air-gapped, สัญญาอนุญาต Apache 2.0 ที่คุณสามารถสร้างผลิตภัณฑ์บนพื้นฐานนั้นได้โดยไม่ต้องเจรจาเรื่องรายได้, ค่าใช้จ่ายต่อคำขอที่ไม่ปรับขึ้นตามอัตราค่าบริการของคนอื่น, และแนวทางการให้บริการบน GPU เดียวที่คุณดำเนินการเองได้ นอกจากนี้ยังเป็นฝั่งที่เหมาะสมของคู่นี้เมื่อคุณต้องการ fine-tune, merge หรือ quantise — ตัว repository แสดงให้เห็นถึง adapter, finetune และ quantization จากชุมชนหลายร้อยรายการที่ได้พัฒนามาจากโมเดลนี้แล้ว ซึ่งนั่นคือสิ่งที่การเผยแพร่เวทภายใต้ Apache 2.0 มอบให้คุณเมื่อเวลาผ่านไป

เลือก Qwen3.8-Flash-Next หากข้อจำกัดของคุณคืออัตราการประมวลผลและต้นทุนต่อโทเคนมากกว่าการควบคุม: การกวาดงานแบบเอเจนต์ปริมาณมาก งานจำแนกประเภทและสกัดข้อมูลในวงกว้าง การทำความเข้าใจภาพหน้าจอและเอกสารในระดับขนาดใหญ่ และสิ่งใดก็ตามที่โมเดล 6B-active ในราคาหนึ่งในสามของราคาอินพุตเปลี่ยนสิ่งที่สามารถทำได้ในเชิงเศรษฐกิจ นอกจากนี้ยังเป็นทางเลือกที่เหมาะสมหากคุณต้องการประเมินสถาปัตยกรรม Qwen4 บนข้อมูลของคุณเองก่อนที่ Qwen4 จะมีอยู่จริง — นั่นคือจุดประสงค์ของพรีวิวอย่างชัดเจน และเป็นเหตุผลในการทดสอบมากกว่าเหตุผลในการตัดสินใจใช้จริง

กฎคือ: 27B เหมาะสำหรับผู้อ่านที่มีคอขวดอยู่ที่ว่าโมเดลรันที่ไหน ส่วน Flash-Next เหมาะสำหรับผู้อ่านที่มีคอขวดอยู่ที่ว่าโมเดลมีค่าใช้จ่ายในการรันเท่าไร มีทีมน้อยมากที่มีคอขวดทั้งสองอย่าง และคอขวดที่พวกเขามีจริงมักตัดสินเรื่องนี้ได้ในการประชุมครั้งเดียว

การทำให้อันใดอันหนึ่งทำงานได้ในวันนี้

Qwen3.8-27B เป็นตัวที่เริ่มต้นได้ง่ายกว่าในบรรดาสองตัวนี้ พร้อมกันสองแนวทาง ดาวน์โหลดเวตและให้บริการเองภายใต้ Apache 2.0 หรือเรียกใช้งานโดยไม่ต้องแตะต้องตัวเร่งความเร็วเลย: มันถูกกำหนดเส้นทางเป็น `qwen/qwen3.8-27b` ในแคตตาล็อกของเราในราคา $0.33 และ $2.40 ต่อล้านโทเคน และตัว 27B ให้บริการบนโครงสร้างพื้นฐานของเราเอง แทนที่จะพร็อกซีจากปลายทางของผู้ขาย เส้นทางที่สองนี้เองที่ทำให้มันเป็นค่าเริ่มต้นอย่างแท้จริงสำหรับงานมัลติโมดัลปริมาณมาก — ในฐานะหนึ่งใน โมเดลมากกว่า 200 รุ่นที่เข้าถึงได้ผ่านปลายทางที่เข้ากันได้กับ OpenAI เพียงจุดเดียว ด้วยคีย์เดียว โดยไม่ต้องเซ็นสัญญาฉบับที่สอง

Qwen3.8-Flash-Next ไม่ใช่เส้นทางที่เราให้บริการ พรีวิวแบบโอเพนเวทจะต้องถูกดาวน์โหลดและให้บริการโดยคุณเอง และช่องทางความพร้อมใช้งานของมันจะผ่าน Hugging Face และ ModelScope แทนที่จะผ่าน API สิ่งที่เราให้บริการคือรุ่นพี่น้องระดับโปรดักชันของมัน: Qwen3.8-Flash, `qwen/qwen3.8-flash` ในราคา $0.15 และ $0.47 ต่อล้านโทเคน พร้อมอินพุตข้อความ รูปภาพ และวิดีโอ บนบริบทขนาด 1M โทเคน โดยกำหนดราคาตามรายการที่ผู้ขายประกาศไว้ ดังนั้นหากมีการเปลี่ยนแปลงราคาจากฝั่ง Alibaba เอ็นด์พอยต์ของคุณจะได้รับผลภายในวันเดียวกัน หากคุณต้องการสถาปัตยกรรมของพรีวิวโดยไม่ต้องมีโปรเจกต์สำหรับให้บริการ นี่คือสิ่งที่ใกล้เคียงที่สุดกับมันซึ่งเรียกใช้งานได้ในวันนี้

สำหรับทีมที่ต้องการทั้งสองอย่าง แนวทางที่เหมาะสมคือการแบ่งทราฟฟิกแทนที่จะเป็นการเลือกอย่างใดอย่างหนึ่ง ทั้งคู่อยู่เบื้องหลังคีย์เดียวกันและ SDK เดียวกัน ดังนั้นคำขอสามารถส่งไปยัง 27B เป็นเปอร์เซ็นต์ที่กำหนด ขณะที่ส่วนที่เหลือส่งไปยังปลายทาง Flash โดยมีระบบ failover อัตโนมัติคอยรองรับช่วงเวลาที่ฝั่งใดฝั่งหนึ่งทำงานผิดพลาด นั่นเป็นวิธีที่ประหยัดกว่าในการตอบโจทย์การเปรียบเทียบนี้ เมื่อเทียบกับตาราง benchmark ใด ๆ เพราะมันวัดทราฟฟิกของคุณ ไม่ใช่ของคนอื่น

สิ่งที่ยังไม่เป็นข้อยุติคือสิ่งที่จะเกิดขึ้นเมื่อตระกูลนี้ครบสมบูรณ์ Qwen3.8-27B เป็นโมเดลที่เสร็จสมบูรณ์แล้ว สามารถขอรับสิทธิ์การใช้งานได้ และดาวน์โหลดได้ ซึ่งไม่น่าจะเปลี่ยนแปลงไปในระหว่างที่คุณใช้งาน พรีวิว Flash-Next เป็นเสมือนนกขมิ้นในเหมืองถ่านหินสำหรับสถาปัตยกรรมที่โมเดลสำหรับใช้งานจริงยังไม่ถูกปล่อยออกมา และรุ่น Flash ที่ให้บริการซึ่งมาควบคู่กันก็ถูกวางตำแหน่งไว้อย่างชัดเจนว่าเป็นเวอร์ชันทางการของสถาปัตยกรรมนั้น หากตระกูล Qwen4 ทำตามรูปแบบที่ Qwen3-Next วางไว้ในช่วงปลายปี 2025 ทายาทของพรีวิวนี้จะมาถึงภายในไม่กี่เดือน และหน้านี้จะเป็นการตัดสินใจเกี่ยวกับเจเนอเรชันมากกว่าที่จะเกี่ยวกับพรีวิว

ข้อเท็จจริงข้อเดียวที่ตัดสินการจับคู่นี้บ่อยที่สุดคือสัญญาอนุญาต ไม่ใช่ผลทดสอบมาตรฐาน: Apache 2.0 ให้คุณสร้างธุรกิจบนโมเดล 27B ได้โดยไม่ต้องขออนุญาตใคร ส่วน Qwen Community License 1.0 ไม่ได้ให้สิทธิ์นั้นกับเวอร์ชันพรีวิว สำหรับทุกอย่างอื่นในหน้านี้ — หน้าต่างบริบท, กลไกความสนใจแบบไฮบริด, การรองรับวิชัน — ทั้งสองโมเดลมีเหมือนกัน