LBS-27B 对比 Qwen3.8 27B：27B 的门槛，以及一直在解读它的实验室

在LBS-27B作为一个空仓库出现之前的六周，inclusionAI 发布了另一个模型：inclusionAI/Qwen3.8-27B-singprobe，这是一个构建在阿里巴巴的Qwen3.8 27B之上的小型流式护栏探针。它不是一个语言模型，也不是一个竞争对手。它是一个安全分类器，会在 Qwen3.8 27B 生成时读取其隐藏状态；它的存在揭示出规格表无法说明的一点：刚刚预留了 LBS-27B 这个名称的实验室，一直在直接与占据同一参数槽位的模型合作。

正因如此，这才是本批次中最重要的一场对决。Gemma 4 26B A4B 属于不同的架构和不同的价位；Granite 4.2 30B 是面向企业市场的稠密模型；LFM2.5 24B A2B 则是一项效率实验。而一家有分量的中国实验室新推出的 27B 模型，最有可能瞄准的正是 Qwen3.8 27B。LBS-27B 究竟是对它的挑战、更便宜的替代方案，还是完全不同的另一种东西，从仅含一个 28 字节许可证文件的代码库中无从得知——但 Qwen 所设定的门槛是可知的，而且很高。

Qwen3.8 27B 实际上是什么

Qwen3.8 27B 以 27B 模型的名义进行宣传，在 Hugging Face 上标注为 BF16 精度下 28B 参数，并且构建于混合注意力栈之上，而非标准 transformer。模型卡片描述了 16 个重复块，每个块包含三个 Gated DeltaNet 层，后接一个 Gated Attention 层，隐藏大小为 5,120，共 64 层，24 个注意力头，4 个键值头，以及宽度为 17,408 的前馈维度。词表大小为 248,320 个 token。

上下文窗口原生为 262,144 个 token，使用 YaRN 可扩展至约一百万。它原生支持多模态：输入文本、图像和视频，输出文本。思考默认开启，推理强度级别包括 xhigh、medium 和 low，并且有一个默认启用的 preserve-thinking 标志。许可证为 Apache-2.0。权重于 2026 年 8 月发布。

值得稍作停留的是其架构设计。Gated DeltaNet 层是线性注意力的变体，随着序列长度增加，其扩展性优于全注意力；将它们与少量全注意力层交错排列，可以在不必让每一层都付出二次方成本的情况下获得长上下文行为。相比纯粹的稠密堆叠，这是一种更宏大的设计，也正是那种很难在第一次尝试中就做到位的东西。

酒吧数据一览

以下所有结果均为 Qwen 自行报告的结果，尚未由我们独立复现。它们仍然是相关基准，因为买家会拿它们作为比较对象。

• 编程与软件工程 — LiveCodeBench v6 90.3，QwenSWEBench 79.0，SWE-bench Pro 61.7，DeepSWE 1.1 42.2，NL2Repo-Bench 42.3。

• 终端与智能体工作 — Terminal-Bench 2.1（Terminus）73.0，CoWorkBench 70.7，JobBench 33.4，Agents' Last Exam 的 pass@1 为 20.4，得分为 42.9。

• 知识与推理——GPQA Diamond 89.2，Humanity's Last Exam 30.8，IFBench 79.5。对于一款 27B 模型而言，HLE 这一数值异常之高，是整张模型卡片上最引人注目的单个数字。

• 视觉与计算机使用——OSWorld-Verified 84.3、AndroidWorld 81.9、WebArena Verified 64.8、MathVision 未集成思维链时为 90.0、集成后为 94.6、OmniDocBench 1.5 91.1、RealWorldQA 85.9、CharXiv 推理 83.7、集成后为 90.2。

• 较弱的几行——SWE-MM 38.6、RecreationBench 47.1、ClawEval-MM 57.4 pass@3。即便是较弱的几行也相当可观。

这不是一个只在单一维度上取胜的模型。它在编程、知识、视觉和计算机使用方面同时具备竞争力，而这正是让同尺寸挑战者难以定位的特征。一个新的 27B 模型无法靠在某一方面略胜一筹来击败它；它需要一套不同的论证。

LBS-27B 已经展示了什么

没有任何可供评估的内容。该仓库创建于 2026 年 10 月 26 日 05:36 UTC，包含一个 1,519 字节的 .gitattributes 和一个 28 字节的 README。该 README 是许可证声明，且仅是许可证声明：license: apache-2.0。没有权重、没有配置、没有分词器、没有模型卡，也没有基准测试行。下载量未被跟踪，点赞数为零，而且我们在任何地方都找不到关于该模型的公告、论文或公开讨论。

“27B”只是一个名称。它尚未被确认为总参数量，更不用说激活参数量了；也没有任何迹象表明该模型是稠密模型、稀疏模型，还是像 Qwen 那样构建在混合注意力堆栈之上。

这个探测器是最有趣的线索

inclusionAI 的 Qwen3.8-27B-singprobe 创建于 2026 年 9 月 14 日，被标记为面向安全、护栏、流式传输和幻觉检测。它基于 Qwen3.8 27B，采用 Apache-2.0 许可，且并未引起太多关注——截至撰写本文时，其下载量为 219 次，获得两个点赞。

其意义不在于它的受欢迎程度。它表明 inclusionAI 一直在隐藏状态层面 instrumenting Qwen3.8 27B，这意味着该实验室对模型的内部表示有足够深入的理解，能够基于这些表示构建分类器。这是一种比基准比较更深层次的熟悉。它并不能证明 LBS-27B 源自 Qwen3.8 27B——没有这方面的证据，而且这两个组织是两家独立的公司，Ant Group 和 Alibaba——但它确实表明，27B 这个类别对该实验室来说并不是一个随机选择的目标。

这也引出一个值得明确指出的可能性：一家在发布模型的同时提供安全探针的实验室，可能会把自家的 27B 定位在可控性与防护措施上，而不是单纯的基准测试领先地位。如果这正是其卖点，那么与 Qwen3.8 27B 的比较就从“谁的分数更高”变成了“哪一个更容易安全部署”——这是一个不同的问题，答案也不同。

这可能会有三种走向

在没有模型卡的情况下，诚实的做法是描述可能的情形，而不是选择其中一种。

• 更便宜的 Qwen 替代方案。如果 LBS-27B 是一个稠密的 27B 模型，质量相当且服务成本更低，那么它就能在价格上竞争。面对每百万输入 token 0.33 美元的模型，这很难，但并非不可能——如果 inclusionAI 的训练配方更高效，或者其目标激活参数量更小。

• 一种效率策略。如果 LBS-27B 是稀疏的且激活参数很少，它就能完全避开 Qwen 的计算配置。Qwen3.8 27B 是稠密的，这使得它在长上下文下每个 token 的成本都很高；一个只有一小部分激活的稀疏 27B 可能在成本上低于它，同时牺牲一些质量。这就是在更大规模上应用的 LFM2.5 策略。

• 一个不同的细分领域。如果 LBS-27B 主打安全性、多语言覆盖、长文档处理，或某个特定的智能体运行框架，那它可能根本就没打算在各方面全面击败 Qwen3.8 27B。singprobe 对此提供的证据很弱，但它是目前仅有的证据。

这些形态中的每一种都意味着不同的配置文件。正因如此，当架构披露最终到来时，它会比任何发布会博客文章都更具信息量。

对比结果，空白处已标出

• 参数 — Qwen3.8 27B 标称为 27B，在 BF16 中列为 28B；LBS-27B 是未经核实的 27B。

• 架构 — Qwen 采用 Gated DeltaNet 与 Gated Attention 层的混合架构；LBS 未知。

• 上下文 — Qwen 原生支持 262,144，配合 YaRN 约可达到一百万；LBS 情况未知。

• 模态 — Qwen 支持文本、图像和视频输入并输出文本；LBS 未知。

• 思考控制 — 对于 Qwen，推理力度可设为 xhigh、medium 或 low；对于 LBS，则未知。

• 许可证 — Qwen 采用 Apache-2.0；LBS 声明采用 Apache-2.0。

• 价格 — 在 OrcaRouter 上，Qwen 为每百万输入 token $0.33、每百万输出 token $2.40；LBS 无价格。

• 评估 — Qwen 有完整的供应商卡片，包含编码、智能体和视觉行；LBS 则没有。

价格与单一 API 的论证

Qwen3.8 27B 已在 OrcaRouter 上线，型号为 qwen/qwen3.8-27b，每百万输入 token 收费 $0.33，每百万输出 token 收费 $2.40，并支持完整的 262,144 token 上下文。OrcaRouter 以 0% 加价直通供应商列表价，因此如果 Alibaba 或其托管合作伙伴调整价格，我们这边的数字也会在同一天变动。平台上还有另一个 Qwen3.8 27B 条目，由不同供应商名称以更高费率提供；如果你在比较报价，值得查看一下。

LBS-27B 不在 OrcaRouter 上。没有可供路由的对象。当权重存在时，回答本文无法回答的问题——新模型是否真的更适合我的工作负载？——的实用方法是，通过同一端点将一部分流量发送给它，同时让 Qwen 继续作为回退。自动故障转移使这成为一项可逆实验，而非迁移；而路由 DSL 意味着这种分流可以表达为策略，而不是代码分支。这就是路由器在 27B 对比中的有用角色：不是挑选赢家，而是让你在自己的输入上对两者进行衡量。

怎样才算得上真正的比较？

第一个产物是一个配置文件。它将确定是稠密还是稀疏，并给出激活参数数量，这决定了 LBS-27B 是在质量上与 Qwen 竞争，还是在成本上绕开它。

第二个是视觉塔。Qwen3.8 27B 的多模态能力并非附带功能；它在很大程度上决定了该模型为何能在文档、UI 和计算机使用类任务上具备竞争力。一个纯文本的 LBS-27B 会是一个更小的产品，瞄准同一批买家中更窄的细分市场。

第三点是 inclusionAI 的定位声明。该实验室尚未说明 LBS-27B 的用途，名称本身也没有说明。本文中关于意图的一切内容，都是从一次探测、一份许可证和一个时间戳推断出来的。

就目前而言，可站得住脚的结论很有限。Qwen3.8 27B 是现有最强的 27B 模型之一，具备混合架构、原生多模态、百万 token 扩展路径以及激进的托管价格。LBS-27B 则是一个尚未成为模型的代码仓库。二者之间的差距并非能力差距，而是成品与预留名称之间的距离——而真正有趣的问题是：一个一直在读取 Qwen 隐藏状态的实验室，究竟是在准备与 Qwen 竞争，还是与之互补。