Qwen 3.6 35B A3B so với Qwen 3.8 27B: 3B Active hay 27B Dense?

Hai con số quyết định cặp đôi này, và chúng kéo về hai hướng ngược nhau. Qwen3.6-35B-A3B sở hữu 35 tỷ tham số nhưng chỉ kích hoạt khoảng 3 tỷ trong số đó cho mỗi token đơn lẻ. Qwen3.8-27B là mô hình dày đặc: mọi tham số trong số 27 tỷ tham số của nó đều được dùng cho mỗi token bạn tạo ra. Điều đó có nghĩa là mô hình mixture of experts là mô hình nhẹ hơn để chạy và là mô hình nặng hơn để lưu giữ — 71.9 GB trọng số BF16 so với 55.6 GB, theo chính kho lưu trữ của mỗi nhà cung cấp — trong khi mô hình dày đặc đòi hỏi lượng tính toán trên mỗi token nhiều gấp khoảng chín lần và vừa vặn trong ít bộ nhớ hơn. Cả hai đều không phải là khiếm khuyết. Chúng là hai câu trả lời khác nhau cho câu hỏi "tôi có bao nhiêu máy", và câu trả lời nào là của bạn chính là toàn bộ quyết định.

Có một lý do thứ hai khiến trang này đáng để bạn dành thời gian. So sánh này chính là dạng mà độc giả tìm kiếm xoay quanh 35B A3B — mọi truy vấn trong dòng nhỏ của mô hình đó đều là một phiên bản của nó — và Qwen3.6-35B-A3B chưa từng có một trang nào ở đây để mô tả nó cả. Vì vậy, trang này dành một đoạn trung thực cho mỗi bên rồi đi vào phần so sánh.

Bản build 35B A3B thực sự là gì

Qwen3.6-35B-A3B là thành viên thưa của thế hệ Qwen3.6 tháng 4 năm 2026 của Alibaba, được phát hành theo Apache-2.0 trong kho Hugging Face của chính nhà cung cấp, được tạo vào ngày 15 tháng 4 năm 2026. Thẻ mô hình của nhà cung cấp mô tả nó là một hỗn hợp chuyên gia với "35B tổng cộng và 3B được kích hoạt", được xây dựng từ 256 chuyên gia, trong đó tám chuyên gia định tuyến cộng với một chuyên gia chia sẻ kích hoạt mỗi token. Nó không chỉ dành cho văn bản: thẻ gọi nó là "Mô hình ngôn ngữ nhân quả với Bộ mã hóa thị giác", và kho lưu trữ mang thẻ pipeline hình ảnh-văn bản sang văn bản, vì vậy nó nhận văn bản, hình ảnh và video và trả về văn bản. Ngữ cảnh là 262.144 token gốc, có thể mở rộng lên khoảng 1.010.000 với chia tỷ lệ YaRN. Bố cục của nó là lai — mười lần lặp lại của ba khối attention tuyến tính Gated DeltaNet theo sau là một khối attention đầy đủ có cổng, kích thước ẩn 2.048, 40 lớp — và thẻ tách phần quảng cáo khỏi kiến trúc bằng cách nêu tên hai thứ mà nó nhấn mạnh: lập trình tác tử, và tùy chọn "bảo toàn suy luận" giữ ngữ cảnh suy luận từ các lượt trước đó. Các bảng của chính nhà cung cấp trên thẻ đó đặt nó ở SWE-bench Verified 73,4, Terminal-Bench 2.0 51,5, MMLU-Pro 85,2, GPQA 86,0 và LiveCodeBench v6 80,4 — tất cả đều do nhà cung cấp báo cáo và chưa được kiểm toán, đó là nhãn mà chúng mang theo bất cứ nơi nào chúng xuất hiện bên dưới.

Qwen3.8-27B là gì

Qwen3.8-27B là mô hình trọng số mở dense 27B của Alibaba thuộc thế hệ Qwen3.8, được phát hành theo Apache-2.0; kho lưu trữ của nhà cung cấp được tạo vào ngày 5 tháng 8 năm 2026 và được sửa đổi lần cuối vào ngày 14 tháng 8. Thẻ mô hình của chính Qwen gọi nó là "một mô hình dense nhỏ gọn, thân thiện với triển khai" và định vị nó là thế hệ Qwen mở có năng lực nhất cho đến nay, với những cải thiện được nêu trong lập trình, công việc chuyên môn, nghiên cứu và các tác vụ agentic dài hạn. Nó cũng là một mô hình ngôn ngữ-thị giác — "Causal Language Model with Vision Encoder" — chấp nhận hình ảnh và video cũng như văn bản, với 262.144 token ngữ cảnh gốc và 1.000.000 khi mở rộng. Về mặt kiến trúc, nó khá thông thường khi so sánh: 64 lớp, chiều ẩn 5.120, một mạng feed-forward thông thường với chiều trung gian 17.408 thay vì một tập hợp các chuyên gia, và cùng nhịp attention three-linear-to-one-full như mô hình anh em của nó. Trong khi thẻ 35B A3B nói về việc bảo toàn suy nghĩ, thẻ Qwen3.8-27B nói về điều khiển suy nghĩ linh hoạt — một reasoning_effort, cài đặt mặc định là xhigh, với medium và low có sẵn, và preserve_thinking được bật theo mặc định. Thẻ của nó báo cáo LiveCodeBench v6 90,3, GPQA Diamond 89,2, OSWorld-Verified 84,3, QwenSWEBench 79,0, Terminal Bench 2.1 73,0 và SWE-bench Pro 61,7 — lại là do nhà cung cấp báo cáo và chưa được kiểm toán. Tổng trọng số của nó là 55,6 GB trên mười tám phân đoạn safetensors, và số lượng tham số là 27,8 tỷ khi tính cả tháp thị giác, đó là lý do mô hình được gọi là 27B và đo được 27,8B.

Con số thường quyết định điều đó nhất: tham số hoạt động

Tệp phản ánh tổng số tham số. Tốc độ phản ánh số tham số đang hoạt động. Đó là hai cột khác nhau trên bảng thông số kỹ thuật, và người đọc thường gộp chúng thành một, đó là lý do mọi người tải xuống một mô hình hỗn hợp chuyên gia 22 GB với kỳ vọng nó vừa vặn ở chỗ mà một mô hình dense 16,5 GB sẽ vừa.

Cơ chế này đáng được nói thẳng ra, vì nó chính là toàn bộ sự đánh đổi. Một mô hình dense phải đọc toàn bộ trọng số của nó để sinh ra mỗi token; một hỗn hợp thưa chỉ đọc những expert mà router của nó chọn. Qwen3.6-35B-A3B đọc khoảng tương đương ba tỷ tham số mỗi token và Qwen3.8-27B đọc hai mươi bảy tỷ — vì vậy hỗn hợp này có lợi thế mang tính cấu trúc về tính toán trên mỗi token và về thông lượng giải mã, và lợi thế đó là thật. Nhưng các expert khác không hề miễn phí: chúng phải thường trú ở đâu đó, trong VRAM hoặc trong bộ nhớ hệ thống, nếu không router sẽ phải nạp chúng, và một lần nạp có thể tốn kém hơn cả phần số học mà nó tiết kiệm được. Vậy nên lợi thế này có điều kiện: phải giữ được toàn bộ 35B. Đây là cách giải mã mixture-of-experts hoạt động, không phải một phép đo về hai mô hình cụ thể này, và đó là lý do câu hỏi về việc vừa bộ nhớ phải đến trước câu hỏi về tốc độ, chứ không phải sau.

• Tổng số tham số trên đĩa, BF16 — Qwen3.6-35B-A3B: 35.95B trong 26 tệp safetensors, 71.9 GB. Qwen3.8-27B: 27.78B trong 18 phân mảnh, 55.6 GB. Theo chính các kho Hugging Face của nhà cung cấp, đọc ngày 2026-10-13.

• Tham số hoạt động trên mỗi token — Qwen3.6-35B-A3B: khoảng 3B. Qwen3.8-27B: toàn bộ 27B, vì dense thì vẫn là dense.

• Kiến trúc — Qwen3.6-35B-A3B: 256 chuyên gia, 8 chuyên gia được định tuyến cộng 1 chuyên gia chia sẻ trên mỗi token, 40 lớp, hidden 2.048. Qwen3.8-27B: một lớp feed-forward duy nhất với chiều trung gian 17.408, 64 lớp, hidden 5.120.

• Ngữ cảnh gốc — 262.144 token trên cả hai. Qwen3.6-35B-A3B mở rộng đến khoảng 1.010.000 với YaRN; thẻ của Qwen3.8-27B ghi 1.000.000 khi mở rộng.

• Giấy phép — Apache-2.0 trên cả hai. Cả hai đều có thể tải xuống từ nhà cung cấp, cả hai đều là trọng số mở, và không có điều khoản tính theo chỗ ngồi hoặc theo lượt gọi nào gắn với cả hai.

Mỗi cái tốn của bạn bao nhiêu cho mỗi token

Cả hai mô hình đều được chạy trên OrcaRouter, nên bạn có thể giải quyết chuyện này mà không cần tải xuống bất cứ thứ gì. Đọc từ danh mục trực tiếp của chúng tôi vào ngày 2026-10-13, qwen/qwen3.6-35b-a3b có giá $0.248 cho mỗi triệu token đầu vào và $1.485 cho mỗi triệu token đầu ra, với cửa sổ 262,144 token và tối đa 65,536 token đầu ra. qwen/qwen3.8-27b có giá $0.330 cho mỗi triệu token đầu vào và $2.400 cho mỗi triệu token đầu ra ở cùng cửa sổ 262,144 token. Cả hai cũng được liệt kê trên danh mục của chúng tôi dưới một host id thứ hai với mức giá cao hơn, nên hãy kiểm tra xem bạn thực sự đang gọi định danh nào trước khi so sánh hóa đơn.

Với khối lượng công việc gồm một triệu token đầu vào và một phần tư triệu token đầu ra — một tháng hợp lý cho một triển khai tác nhân lập trình quy mô nhỏ — phép tính ra như sau. Qwen3.6-35B-A3B: 1,00 × 0,248 đô la cộng 0,25 × 1,485 đô la, tức khoảng 0,62 đô la. Qwen3.8-27B: 1,00 × 0,330 đô la cộng 0,25 × 2,400 đô la, tức khoảng 0,93 đô la. Mô hình dense mới hơn tốn khoảng gấp rưỡi chi phí đó trên dạng lưu lượng ấy, và khoảng cách lớn nhất nằm ở token đầu ra, nơi con số này vào khoảng 62%.

Có hai điều tiếp theo đây quan trọng hơn cả những con số. Thứ nhất, đây là giá trong danh mục của chúng tôi, và chúng tôi không cộng thêm bất kỳ khoản đánh dấu giá nào lên giá niêm yết đã công bố của nhà cung cấp — vì vậy khi nhà cung cấp thay đổi giá, thay đổi đó đến được trang này cùng ngày nó đến được với nhà cung cấp, không độ trễ và không cần hợp đồng thứ hai. Thứ hai, lý do nên so sánh chúng trên một khóa thay vì hai khóa là chi phí chuyển đổi: hai id nằm sau một endpoint, nên chuyển từ cái này sang cái kia là thay đổi một chuỗi ký tự chứ không phải một cuộc di trú, và cơ chế chuyển đổi dự phòng tự động nghĩa là bạn có thể chạy cái ít quen thuộc hơn trong hai cái trên một phần lưu lượng của mình mà không đặt cược một đường dẫn production vào nó. Nếu bạn đang đánh giá một mixture of experts lần đầu tiên vì lập luận về compute ở trên, thì đó là cách rẻ để kiểm tra xem lập luận đó có đúng với khối lượng công việc của bạn hay không.

Cái gì phù hợp với máy của bạn

Đây là câu hỏi mà hai mô hình thực sự khác nhau ở, và nó phụ thuộc vào cùng một sự phân tách giữa tổng số và số hoạt động. So sánh các bản dựng GGUF cộng đồng mà cả hai mô hình đều có — đây là các kho của bên thứ ba, không phải bản phát hành của nhà cung cấp, và tên tệp của chúng là của riêng chúng — cùng một nhãn lượng tử hóa lại mang đến cho bạn kích thước tệp khác biệt đáng kể:

• Hạng Q3, lựa chọn nhỏ nhất còn hợp lý — Qwen3.6-35B-A3B: 16,60 GB ở UD-Q3_K_M. Qwen3.8-27B: 13,15 GB ở UD-Q3_K_XL.

• Khoảng IQ4 — Qwen3.6-35B-A3B: 17.73 GB ở UD-IQ4_XS, 18.04 GB ở UD-IQ4_NL. Qwen3.8-27B: 14.25 GB ở UD-IQ4_XS.

• Q4_K_S — Qwen3.6-35B-A3B: 20,89 GB. Qwen3.8-27B: 15,36 GB.

• Q4_K_M, mặc định thường dùng — Qwen3.6-35B-A3B: 22.13 GB. Qwen3.8-27B: 16.46 GB.

• Q4_K_XL — Qwen3.6-35B-A3B: 22,36 GB. Qwen3.8-27B: 17,56 GB.

• Q5_K_M — Qwen3.6-35B-A3B: 26,46 GB. Qwen3.8-27B: 19,77 GB.

• Q8_0 — Qwen3.6-35B-A3B: 36,90 GB. Qwen3.8-27B: 29,05 GB.

• BF16, như khi phát hành — Qwen3.6-35B-A3B: 71,9 GB. Qwen3.8-27B: 55,6 GB.

• Cũng đã được phát hành — Qwen3.6-35B-A3B có một checkpoint FP8 trong kho riêng của nhà cung cấp và một bản kết hợp MXFP4 ở 21,71 GB trong các bản dựng cộng đồng; Qwen3.8-27B cũng có một checkpoint FP8 trong kho của nhà cung cấp.

Đọc hai cột đối chiếu với nhau thì quy luật sẽ hiện ra. Ở mỗi nhãn khớp nhau, bản mixture nặng hơn từ bốn đến tám gigabyte với cùng mức nén danh nghĩa, vì tệp phải chứa toàn bộ 35B mà mỗi lần chỉ dùng 3B trong đó. Cụ thể: một card 24 GB chạy được Qwen3.8-27B ở Q4_K_M với đủ chỗ cho ngữ cảnh và chạy được Qwen3.6-35B-A3B ở Q3 hoặc IQ4 với KV cache phải giành chỗ, còn một phiên ngữ cảnh dài thoải mái trên bản mixture cần gần 48 GB hơn. Thêm tệp riêng của vision tower nếu bạn muốn đầu vào hình ảnh trên một trong hai.

Thực trạng các chỉ số chuẩn hiện nay, vốn không phải là nơi mà bạn muốn chúng ở.

Chưa có ai công bố một lần chạy đối đầu trực tiếp giữa hai mô hình này ở cùng thiết lập trên một khung đánh giá có tên. Chúng tôi không biết có lần chạy nào như vậy, và trang này sẽ không ngụ ý một thứ hạng mà bằng chứng không hậu thuẫn.

Điều thực sự tồn tại là sự trùng lặp một phần về tên benchmark giữa hai thẻ nhà cung cấp, và điều đó đáng để trình bày, chính vì rất dễ suy diễn quá mức. Với những tên xuất hiện trên cả hai thẻ, chỉ số của Qwen3.8-27B luôn cao hơn. SWE-bench Pro: 49,5 cho 35B A3B so với 61,7 cho 27B. LiveCodeBench v6: 80,4 so với 90,3. HLE: 21,4 so với 30,8. Câu hỏi suy luận CharXiv: 78,0 so với 83,7. OmniDocBench 1.5: 89,9 so với 91,1. RealWorldQA: 85,3 so với 85,9. Và trên Terminal-Bench, các thẻ thậm chí không thể so sánh theo cách mà hàng này gợi ý: thẻ 35B A3B báo cáo Terminal-Bench 2.0 ở mức 51,5, trong khi thẻ 27B báo cáo Terminal Bench 2.1 (Terminus) ở mức 73,0 — các phiên bản benchmark khác nhau, do đó cặp cụ thể đó hoàn toàn không nên được đem ra trừ cho nhau.

Có ba lưu ý đối với tất cả những điều đó. Các con số đến từ hai model card khác nhau được công bố cách nhau khoảng bốn tháng, bởi cùng một lab, mà không có kiểm toán. Một số benchmark mà mỗi model báo cáo chỉ xuất hiện trên card của chính nó và không có đối ứng — SWE-bench Verified 73.4 và MMLU-Pro 85.2 ở phía 35B A3B; OSWorld-Verified 84.3 và QwenSWEBench 79.0 ở phía 27B — nên không thể đối chiếu chúng với nhau. Và việc một model mới hơn trong cùng dòng đạt điểm cao hơn một model cũ hơn là kết quả được mong đợi, không phải một phát hiện: nó cho bạn biết thế hệ đã dịch chuyển, chứ không nói gì về việc liệu model cũ hơn có phải là lựa chọn phù hợp hơn cho số token bạn sắp gửi hay không.

Nếu bạn cần phép so sánh phải mang tính quyết định, con đường trung thực là chạy cả hai trên lưu lượng truy cập của chính bạn. Cả hai nằm trên cùng một khóa, trên cùng một điểm cuối, và khả năng chuyển đổi dự phòng khiến một thử nghiệm tách luồng trở nên rẻ.

Bạn nên chọn cái nào

Chọn Qwen3.6-35B-A3Bnếu máy của bạn có thể chứa được 35B trọng số và khối lượng công việc của bạn nặng về tạo sinh hơn là suy luận một lần. Đây là những trường hợp nó là câu trả lời đúng:

• Bạn có bộ nhớ — 48 GB hoặc hơn để dùng cục bộ với ngữ cảnh dài một cách thoải mái, hoặc một card 24 GB ở mức lượng tử hóa loại 3-bit nếu bạn chấp nhận được cửa sổ ngắn hơn — và bạn muốn kiến trúc tiêu tốn ít tính toán nhất trên mỗi token.

• Lưu lượng của bạn có độ đồng thời cao hoặc tạo sinh dài, trong đó chi phí trên mỗi token chiếm phần lớn hóa đơn và việc giải mã thưa của hỗn hợp mang lại lợi thế mang tính cấu trúc cho bạn.

• Bạn muốn một sản phẩm Apache-2.0 nhận văn bản, hình ảnh và video và trả về văn bản, và bạn muốn bản tải xuống nhỏ hơn trong cặp chỉ nếu bạn đang tự lưu trữ nó thay vì tải xuống, trong đó giá mỗi token thấp hơn ở cả đầu vào và đầu ra.

• Bạn đang ở quy mô 3B-active một cách có chủ đích — bạn chấp nhận chậm hơn một thế hệ trên chính các bảng của nhà cung cấp để đổi lấy việc trả ít hơn cho mỗi token và làm điều đó đằng sau một giao diện gọi công cụ quen thuộc.

Chọn Qwen3.8-27B nếu bộ nhớ là ràng buộc then chốt, hoặc nếu bạn muốn thế hệ mới nhất trong cặp này. Những trường hợp nó là câu trả lời đúng:

• Một card 24 GB duy nhất và không có kế hoạch mua thêm. Ở Q4_K_M, nó là 16.5 GB, điều này để lại dư địa thực sự cho context; còn hỗn hợp thì không.

• Bạn muốn những con số về năng lực tác nhân và lập trình mạnh nhất do nhà cung cấp báo cáo trong cặp so sánh này, và bạn ý thức được rằng chúng đến từ một bảng thông số chưa được kiểm toán và không phải là một so sánh tương xứng.

• Khối lượng công việc của bạn gồm tương đối ít yêu cầu, nhưng mỗi yêu cầu lại tương đối lớn — hiểu tài liệu và ảnh chụp màn hình, suy luận ở cấp độ kho mã, tự động hóa kiểu thao tác máy tính — nơi thông lượng trên mỗi yêu cầu ít quan trọng hơn việc mỗi yêu cầu làm đúng được những gì.

• Bạn muốn bản tải xuống nhỏ hơn, khởi động lạnh nhanh hơn và danh sách shard ngắn hơn để quản lý.

Không điều nào trong số đó tạo nên một người thắng cuộc. Hai mô hình không cạnh tranh cùng một vị trí trên máy của bạn, và những con số ở trên không xác lập mô hình nào tốt hơn ở bất cứ điều gì — chúng xác lập mô hình nào đang đòi hỏi ít hơn từ chiếc máy bạn đã có.

Điều thường quyết định vấn đề nhất là thế này: kích thước tệp trên đĩa được quyết định bởi tổng số tham số, còn khối lượng tính toán cho mỗi token được quyết định bởi các tham số hoạt động. Vì vậy, Qwen3.6-35B-A3B có thể là mô hình chạy nhanh hơn nhưng vẫn là mô hình không vừa, và Qwen3.8-27B có thể là mô hình có chi phí tính toán trên mỗi token lớn hơn nhưng vẫn là mô hình chạy được. Hãy xác định bạn thực sự đang gặp vấn đề nào trong hai vấn đề đó, và lựa chọn sẽ không còn là một phép so sánh nữa.