Qwen3.8-Max 评测：阿里巴巴的 2.4T 旗舰模型，定价 $2/$6——0902 版本登顶 Code Arena WebDev

阿里巴巴的 Qw​en 于 2026 年 7 月 19 日在上海世界人工智能大会上预览了 Qwen3.8-Max，而在接下来的两周里，它成了最受热议、却无人能真正为其定价的模型。没有价目表，没有基准测试表，没有模型卡，没有许可证，也没有活跃参数数量——只有一个 2.4 万亿参数的醒目数字，以及一句"仅次于 Claude Fable 5"的说法。

2026年8月3日，情况发生了变化。Qwen3.8-Max 正式可用：公布了价目表，输入每百万 token 2美元、输出每百万 token 6美元；提供兼容 OpenAI 和 DashScope 的端点；附有完整基准测试表；开放权重已于8月12日发布。一周后，即8月14日，它作为阿里巴巴的“Day 0 发布合作伙伴”在 DigitalOcean Serverless Inference 上线——这是首家提供该模型服务的主要西方云厂商。9月2日，阿里巴巴发布了具名更新版本 Qwen3.8-Max-0902，在 Coding 和 Cowork 上进一步进行后训练，Qwen 称这增强了其在复杂企业和科学工作上的表现。本篇评测基于 GA 事实撰写，并纳入了该 Day 0 上线和 0902 构建版本，回答了团队在该模型已可购买之际真正关心的问题：Qwen3.8-Max 是否已准备好承载生产流量，还是仍只是一个观察名单上的模型？

简短的回答是：它的进化幅度超出了大多数人的预期——尤其是定价，其激进程度重新定义了前沿模型的价格基准，而 9 月 2 日的更新则进一步强化了该模型本就擅长的两件事——编程和协作工作。此后发布的独立评分卡确实表现不俗，但在你正式导入流量之前，其中有一条值得一读的注意事项。

简而言之，Qwen3.8-Max 现已正式可用（GA），价格为每 100 万 token 2 美元 / 6 美元，在整个 100 万 token 上下文范围内统一计价，且不收取长提示词附加费——其输出价格低于 Kimi K3（3 美元/15 美元）和 Claude Opus 5（5 美元/25 美元），而输出正是推理类工作的成本驱动因素。阿里巴巴发布了一份强劲的基准测试表（Terminal-Bench 2.1 86.6、GPQA Diamond 92.6、OSWorld-Verified 86.1），其编码能力相较前代提升显著：FrontierSWE 73.5，而前代为 40.7。但这张质量表来自阿里巴巴自身，而首个独立评审——Artificial Analysis Intelligence Index——现已给出结果：Qwen3.8-Max 得分为 56，每任务成本 1.14 美元，与 Claude Opus 4.8（56）持平，比开放权重领先者 Kimi K3（57）低一分，但每任务成本高出 25%。激活参数量已不再是未知数：官方模型卡确认总参数 2.4T、激活参数 95B，这终于让外部人士可以推演其服务经济性。自本评测首次发布以来，第二条托管路径也已开通：8 月 14 日，作为阿里巴巴的 Day 0 合作伙伴，Qwen3.8-Max 在 DigitalOcean Serverless Inference 上线，DigitalOcean 公布了服务数据——在 256 个并发请求下，预填充可扩展至约 16,000 token/秒，输出约 1,937 token/秒，且零错误——这是来自阿里巴巴以外提供商的首批硬性延迟数据。9 月 2 日，阿里巴巴将旗舰模型更新为 Qwen3.8-Max-0902，在 Coding 和 Cowork 上进一步开展后训练；Qwen 表示，新快照在复杂企业和科学工作负载上更强——这是厂商说法，目前尚无针对企业或科学工作的独立数据。0902 版本的编码一侧现在也有了自己的独立竞技场结果：据阿里巴巴援引该第三方竞技场的实时榜单，Qwen3.8-Max-0902 以 1,691 分在 Code Arena: WebDev 榜单上首次亮相即排名第一——较上一版本提高 22 分，领先于 Claude Opus 5 和 Kimi K3。智能体电商叙事在同一周也有了一个记分牌：在 CommerceAgentBench 上——这是阿里巴巴 Accio 团队基于真实商业软件的有状态副本构建的新基准——Qwen3.8-Max 取得最强的开放权重结果——在三个测试框架中累计通过 156 项，比 DeepSeek V4 Pro 多两项——这是一张厂商自行运行的表格，而非独立评审。结论：现在确实值得购买，而且价格足够低，值得进行一次真实评估——但应有意识地分流使用，而非全量采用。

关键要点

• 自 2026 年 8 月 3 日起正式可用（GA）。 预览版与赠金活动的时代已经结束；现在有了真正的费率表和真正的端点。

• 每 100 万 tokens 收费 $2 / $6，在 100 万上下文范围内采用单一统一费率。大多数竞争对手会对长提示词加收费用。阿里巴巴则不然，这对长文档和大代码库任务意义重大。

• 阿里巴巴的基准测试成绩表很亮眼，但未经审计： Terminal-Bench 2.1 86.6，GPQA Diamond 92.6，PaperBench 93.0，IFBench 82.8，OSWorld-Verified 86.1，OmniDocBench 1.5 92.1。

• 编码能力的代际跃升才是真正的重点： FrontierSWE 73.5（从 40.7）和 DeepSWE 1.1 56.6（从 21.6）——两者都接近翻倍。

• 首个独立评分出炉： Qwen3.8-Max 在 AA Intelligence Index 上以每任务 1.14 美元的成本获得 56 分——较 Qwen3.7-Max（46 分）跃升 10 分，与 Claude Opus 4.8（56 分）持平，比 Kimi K3（57 分）低 1 分。LMArena 的综合排行榜仍无公开评分。

• 激活参数已确认为 95B——官方模型卡标明总参数 2.4T、激活参数 95B，从而解答了服务成本测算中最大的悬而未决的问题。

• 开放权重已发布——Qwen3.8-2.4T-A95B（BF16）和 Qwen3.8-2.4T-A95B-FP8 于 8 月 12 日以自定义 Qwen3.8-Max 许可证上线 Hugging Face，而非 Apache 2.0。Qwen3.8-27B 的本地部署路径已于 8 月 14 日以 Apache 2.0 发布。

• 第二条托管路径于 8 月 14 日开通。 Qwen3.8-Max 已作为阿里巴巴的“Day 0 启动合作伙伴”在 DigitalOcean Serverless Inference 上线——在 NVIDIA HGX B300 上采用 NVFP4，价格为 $2/$6，缓存输入 $0.20，并以开放检查点的原生 262K 上下文提供服务。DigitalOcean 的实测数据（预填充约 16K tokens/秒，256 并发下零错误）是阿里巴巴之外托管平台上的首批服务性能数据。

• 9月2日更新：Qwen3.8-Max-0902。阿里巴巴在 Coding 和 Cowork 方向上对旗舰模型进行了进一步后训练，并以相同的每百万 token 2 美元/6 美元价格和 1M 上下文在 QwenCloud 上提供服务。Qwen 表示，企业级和科学性能更强——这仍属厂商说法——而编码方面同日还获得了一项独立竞技场结果：该构建在 Code Arena: WebDev 上以 1,691 分首次登顶（Code Arena 要点见下方）。

• CommerceAgentBench：开放权重模型中的领先者，由厂商运营。 阿里巴巴的 Accio 团队本周发布了 CommerceAgentBench——在真实商业与业务软件的有状态副本中设置了 107 个长时程任务，并在 Accio、OpenClaw 和 Pi 三套测试框架上按状态进行评分。Qwen3.8-Max 以 156 次总通过数领跑开放权重模型，比 DeepSeek V4 Pro 领先两次；闭源模型 Claude Opus 5 以 191 次总通过数整体领先，而该榜单是阿里巴巴自家的，并非独立裁判。

• Code Arena：WebDev 第 1 名——0902 构建版本的独立竞技场结果。 Qwen3.8-Max-0902 以 1,691 分首次亮相便登顶 Code Arena：WebDev 排行榜——较上一构建版本提升 22 分，并领先于 Claude Opus 5 和 Kimi K3——同时它以约 $5/MToken 的混合价格领跑该榜单的成本性能帕累托前沿，约为 Claude Opus 5 混合价格的四分之一。Qwen 官方 QwenCloud 账号确认了这一排名。与 CommerceAgentBench 不同，该榜单是第三方的：一个盲测人工投票的竞技场，而非 Alibaba 的表格，尽管“首次亮相即排名第 1”是 Alibaba 对某一时点榜单的公告。

准确性说明：本评测中的 Qwen3.8-Max 基准测试表为阿里巴巴自行报告，尚未经过独立复现。Artificial Analysis 智能指数得分（56 分，每任务 1.14 美元）由 AA 在阿里巴巴官方 API 上独立测得——这是该模型首次接受独立第三方裁判。定价来自阿里云百炼（Alibaba Model Studio）的 GA 价目表。开放权重仓库（Qwen3.8-2.4T-A95B 与 Qwen3.8-2.4T-A95B-FP8）、95B 激活参数这一数字以及许可证文本均属第一方信息：它们来自 Qwen 自有的 Hugging Face 组织，已于 2026 年 8 月 13 日核实。DigitalOcean 的上线情况、其价目表、服务性能实测数据，以及在量化版本上抽查 GPQA 得到的 88 分，均来自 DigitalOcean 自有文档与社区教程，随 8 月 14 日的公告一同发布；“Day 0 发布合作伙伴”这一表述则是阿里巴巴公告中的原话。我们引用竞品数据时，来源为 Artificial Analysis 或文中点名的厂商。9 月 2 日发布的 Qwen3.8-Max-0902 更新，全文所述均为厂商说法：其规格参数、Coding-and-Cowork 后训练描述，以及宣称的企业级与科学领域提升，全部来自 Qwen 自己的公告及其 QwenCloud 模型页面，其中没有任何数字经过独立复现。基准测试部分涉及的 Code Arena: WebDev 排名是唯一的例外：该榜单是第三方盲投竞技场，而非阿里巴巴的表格——不过“以 1,691 分首秀即登顶第 1”是阿里巴巴对某一时点榜单的公告，而竞技场分数会随投票累积不断变动。下文所述的 CommerceAgentBench 结果属于同一类别：该基准由阿里巴巴国际站团队 Accio 构建并发布，因此其表格属于阿里巴巴报告的数据——它是一个开源基准，但并不像 Artificial Analysis 那样是独立裁判。厂商基准表按惯例都会偏于乐观——请把这些结果当作有待在你的自有工作负载上验证的假设，而非已成定论的排名。

Qwen3.8-Max 是什么？

Qwen3.8-Max 是阿里巴巴 Qwen 家族的旗舰：一个总参数达 2.4 万亿的稀疏混合专家模型，具备 100 万 token 上下文窗口和原生多模态输入能力。它接受文本、图像和视频输入，并返回文本。它支持思考模式、函数调用、内置工具和结构化输出，并通过兼容 OpenAI 的 /v1/chat/completions 端点提供服务，这意味着大多数现有集成只需更改基础 URL，而无需重写。当前生产快照于 9 月 2 日发布，为 Qwen3.8-Max-0902，并在 Coding 和 Cowork 上进行了进一步后训练。

实际上下文数字比营销宣传中的“1M”略更具体。阿里云元数据列出了一个983,616 个 token 的窗口，在启用思考的情况下，最大输入约为 991K 个 token，并且最大输出为 131,072 个 token。这个输出上限异常宽松，对于整文件代码生成或长报告起草这类任务很重要，因为较低的上限会迫使你分块并拼接。DigitalOcean 现在提供的开放检查点则是另一种配置：其模型卡列出原生 262,144 个 token，可扩展至约 1,010,000，因此运行开放基座的第三方服务通常会落在较小的原生数字上。

激活参数量现已公开，仓库名也体现了这一点：A95B 意味着激活 950 亿参数。Qwen3.8-2.4T-A95B 的官方模型卡写明“总计 2.4T，激活 95B”，这是一个拥有 512 个专家的细粒度混合专家模型，每个 token 有 10 个路由专家加 1 个共享专家处于激活状态。这个数字比 2.4T 这个头条数字更重要。对于稠密模型，总参数量大致能告诉你推理成本；对于 MoE 模型，总参数量几乎说明不了什么——只有激活参数量才有意义，因为每个 token 实际运行的就是它。一个激活 30B 的 2.4T 模型，在延迟和服务经济性上，与一个激活 200B 的模型表现完全不同。在激活 95B 的情况下，每 token 计算量大致与 90B 级别的稠密模型处于同一量级——只是稠密 2.4T 所需计算量的一小部分——正是这个数字最终让下文的自托管问题有了答案。

9月2日更新版：Qwen3.8-Max-0902

2026 年 9 月 2 日，Qwen 发布了其首个有名称的生产版本更新。Qwen3.8-Max-0902 保留相同的 2.4T 参数稀疏 MoE 架构、相同的 95B 激活参数和相同的 1M token 上下文窗口，但围绕 Coding 和 Cowork 两项能力进行了进一步后训练，并已作为 qwen3.8-max-0902 在 QwenCloud 的 API 上线（同时也列为 qwen3.8-max-2026-09-02）。它是当前推荐构建，而非旁支版本：阿里巴巴未带日期的 qwen3.8-max 端点现在提供 0902 快照，因此调用标准模型名称会落到这次更新版本上，而带日期的 ID 则供希望锁定确切构建的团队使用。自 9 月 3 日起，该快照也已在第三方托管 API 上作为独立可路由的模型 ID 列出。价格表未变：每 100 万输入 token 2 美元，每 100 万输出 token 6 美元，缓存费率相同。

这些性能声明都来自 Qwen 一方。官方公告与 QwenCloud 模型页面所描述的编码能力称：在工程级项目和长周期自主开发上“开辟了新天地”；在跨多工具编排与端到端任务交付中，协作智能体体验“显著增强”；并且——用该公司的话说——在复杂企业任务、科学研究和长周期工作流上表现更强。首项独立验证在同一天出炉。Qwen3.8-Max-0902 首次登顶 Code Arena: WebDev 榜单——这是一个面向智能体式网页开发的第三方盲投票竞技场（该项目原名 WebDev Arena）——得分 1,691 分，较上一版本提升 22 分，领先于 Claude Opus 5 和 Kimi K3；据阿里巴巴援引实时榜单数据，Qwen 官方账号同日也确认了这一排名，并指向 QwenCloud API。这能证明什么、又不能证明什么，将在下文的基准测试部分展开。此次更新其余的声明——企业级推理、科学工作以及通用的长周期自主性——目前仍只是厂商自述，因此请保持适用于 8 月那份表格的纪律：在 Artificial Analysis 的评测或真实工作负载予以确认之前，把这些当作假设看待。

“Cowork”在实践中意味着什么，正是这次更新变得有趣的地方。GA 时期的 Qwen3.8-Max 已经倚重长周期自主性——持续 16 天的 oh-my-cli 构建、超过 2000 轮的虚拟业务——而 0902 版本则是阿里巴巴在这一方向上的加倍投入：能够编排多种工具并端到端交付任务的智能体，而非一次性回答。同一周，阿里巴巴的 Accio 团队发布了 CommerceAgentBench，一个为直接衡量这一方向而构建的基准：在真实商业与业务软件的有状态副本中运行 107 个长周期任务，其中 Qwen3.8-Max 在开放权重领域领先——详见下文基准测试部分。对于为企业工作评估该模型的团队来说，这是应首先检验的说法，因为这也是最难从基准表中验证的一项。

定价：本次发布中最激进的一点

Alibaba Model Studio 将 Qwen3.8-Max 列为每 100 万输入 token 2.00 美元、每 100 万输出 token 6.00 美元。输出包含思考 token，这一点很重要，因为推理密集型配置会按输出费率对其内部推理计费。缓存经济性：缓存输入命中为每 100 万 0.25 美元，显式缓存创建为2.50 美元，显式缓存读取为0.17 美元。

结构上真正有意思的部分不是那个最显眼的数字，而是统一费率档。阿里巴巴无论你的提示是 5,000 个 token 还是 900,000 个 token，都收取同样的 $2/$6。大多数竞争对手之所以要收长上下文附加费，恰恰是因为服务接近百万 token 的提示成本高昂。阿里巴巴把这部分成本吸收掉，是一种刻意的抢占地盘，瞄准的正是长上下文至关重要的那些工作负载：整仓库代码审查、合同与申报文件分析、多文档研究综合。

完整示例。假设你运行一个代码仓库分析智能体：每次调用有 200,000 个输入 token 的代码上下文和 8,000 个输出 token。

• 每次调用：输入 0.2M × $2 = $0.40，加上输出 0.008M × $6 = $0.048。每次调用约 $0.45。

• 按每天 1,000 次调用计算： ≈ $448/天，或每月约 $13,400。

• 在 Claude Opus 5 上按 $5/$25 进行同样的调用： $1.00 + $0.20 = $1.20——大约多 2.7 倍。

• 在稳定的代码上下文中启用提示缓存后，价格为 $0.25 的缓存输入会将输入侧费用从 $0.40 降至 $0.05，使每次调用降至 ≈ $0.10 —— 在重复流量上降幅接近 4.5 倍。

缓存差价才是真正的预算所在。如果你的智能体每一轮都要重读大部分未变的上下文——大多数编程和支持类智能体都是如此——实际价格会更接近 $0.25/$6，而不是 $2/$6。跳过缓存配置的团队在这个模型上经常多付 3–4 倍。

按标价对比：Qwen3.8-Max 为 $2/$6；其自家前代 Qwen3.7-Max 为 $2.50/$7.50；Kimi K3 为 $3/$15；GPT-5.6 Terra 为 $2/$12；Claude Opus 5 为 $5/$25。在输入方面，Qw​en 仅算有竞争力。在输出方面——即在推理和智能体工作中占据支出主导的那一侧——它是该名单上最便宜的、号称达到前沿水平的模型。

Artificial Analysis 的独立测量揭示了这些廉价 token 的另一面。在其 Intelligence Index 上，Qwen3.8-Max 的花费为 每项任务 1.14 美元——是前代 0.53 美元的两倍多，并且比 Kimi K3 的 0.86 美元高 25%，尽管 Kimi K3 的标价为每 token 3 美元/15 美元。这一差距源于行为，而非涨价：该模型在每项 GDPval-AA 任务上平均执行 64 步，而 Qwen3.7-Max 为 14 步；并且由于评测框架在每一步都会重新发送完整对话，输入 token 增长了约 15 倍，输出增长约 45%。廉价 token 不等于廉价智能体——预览测试者指出的冗长问题现在有了可测量的价格标签。由于 OrcaRouter 通过一个兼容 OpenAI 的端点，以 0% 加价传递标价，那个 1.14 美元与 0.86 美元的问题，你可以在相同提示词上测量，而无需再签一份合同。

基准测试表，以及每个数字实际衡量的内容

在 GA 上，阿里巴巴公布了它在预览时未公开的表格。报告的分数：

• Terminal-Bench 2.1 — 86.6。衡量模型能否完整操作真实 shell：运行命令、读取输出并从错误中恢复。这是对“它能否作为编码智能体发挥作用，而不是代码建议器”的最接近替代指标。

• GPQA Diamond — 92.6。研究生水平的物理、化学和生物学题目，设计上难以通过检索作答。高分表明的是真正的科学推理能力，而非记忆。92.6 处于当前领域的最高水平。

• PaperBench — 93.0. 复现研究论文中的结果——阅读方法论并重新实现它。奖励持续的多步骤理解。

• IFBench — 82.8.约束条件下的指令遵循：格式、长度和否定指令。值得注意的是，这是阿里巴巴自己表格中的最低分，这与预览版时期的抱怨一致：该模型过于面面俱到，以至于无视范围限制。

• OSWorld-Verified — 86.1.计算机使用：驱动真实的桌面图形界面来完成任务。此处的强劲表现支撑了其智能体定位。

• OmniDocBench 1.5 — 92.1. 文档解析——表格、版面、混合文本与图表。与 1M 固定费率上下文搭配，为文档流水线提供了有力依据。

• FrontierSWE — 73.5，较前代的 40.7 有所提升。DeepSWE 1.1 — 56.6，较 21.6 有所提升。

最后两项值得强调。在硬核软件工程基准上，一代之内接近翻倍的成绩并非寻常的渐进式提升，这也与阿里巴巴决定面向开发者而非聊天用户推广该模型的做法相符。如果 FrontierSWE 的数据能经受住独立复现，那么 Qwen3.8-Max 就是一个真正严肃的编码模型，而不只是规模大而已。

预览版中的警告已经缩小，但并未消失。上表由阿里巴巴在其自有测试框架上生成，其条件无人能够独立核查。厂商表格是挑选出来的，而非抽样得到的——实验室只会公布自己表现良好的基准测试结果。但截至8月6日，如今有了一个真正独立的裁判：Artificial Analysis 已给 Qwen3.8-Max 打出Intelligence Index 得分56，每任务成本1.14美元，该结果在阿里巴巴官方API上测得——较前代产品的46分提升了10分，与 Claude Opus 4.8（56分）持平，落后 Kimi K3（57分）一分。在AA的智能体GDPval-AA排行榜上，该模型达到1,739 Elo，超过 Kimi K3（1,685）和 GPT-5.6 Sol（1,730），仅落后于 Claude Opus 5（1,852）。AA自己的警示同样值得重视：早先一次运行在端点问题解决前得分为53，官方API复测得到56；AA-Omniscience因幻觉率从23%升至40%而下降了10分；每任务成本之所以高，正是因为该模型要经历多得多的步骤。LMArena的通用排行榜仍无公开分数。

DigitalOcean 的发布又增添了第三个数据点——这一次针对的是量化版本，而非旗舰版本。DigitalOcean 对自身所服务的 NVFP4 权重进行的内部抽查在 GPQA Diamond 上得分 88，而阿里巴巴公布的未量化旗舰版本为 92.6。DigitalOcean 自己也指出，这一比较只是“一个指示性数据点，而非受控比较”——差异体现在三个方面（是开放权重基座而非托管旗舰版本、是 NVFP4 而非 BF16，以及采用不同的评测技术栈）——但这是对这些权重在真实服务部署中的首次独立核查，也提醒人们：开放检查点并不逐字节等同于阿里巴巴表格上的那个数字。

CommerceAgentBench：智能体商务排行榜

与此次更新同步，阿里巴巴国际的 Accio 团队发布了 CommerceAgentBench，这是一个基准测试，专门用于评估 Qwen 一直在宣传的那种长周期工作。每个任务中，智能体都会在一个全新容器中启动，该容器位于 14 个真实电商与业务软件的离线副本之一中——涵盖商品发布、货运预订、店铺管理、支付操作、供应商分析——评分基于状态：只有当底层模拟服务和生成的文件确实发生变化时，任务才算通过，因此，一个只叙述看似合理的工作流却不改变状态的智能体得分为零。该测试套件在 CLI、浏览器、文件/文档以及 API/MCP 界面上运行 107 个任务，并通过三个执行框架——Accio、OpenClaw 和 Pi——执行；框架代码（Apache 2.0）和任务数据（CC BY 4.0）均开放，可供检查或重新运行。

在已公布的榜单上，Qwen3.8-Max 取得了最强的开放权重模型成绩：在 107 项任务中，Accio 测试框架上通过 56 项，OpenClaw 上通过 47 项，Pi 上通过 53 项，累计通过 156 项，比 DeepSeek V4 Pro 的 154 项多两项。开放权重模型的全部优势都来自 Accio 测试框架；在 OpenClaw 和 Pi 上，这两个模型打成平手。开放权重模型中的领先者并不是总榜领先者：闭源模型 Claude Opus 5 以 191 项累计通过遥遥领先，领先 35 项。而且这份榜单是阿里巴巴自家发布的：Accio 是阿里巴巴的团队，代码仓库本身也标注了审计局限：Accio 测试框架仅供参考，无法从代码检出复现（OpenClaw 是可重新运行的路径），任务级结果缺少不可篡改的公开校验和，Qwen 的各行还依赖推理内容回放协议来保持可比性。应将其视为厂商自述的数据点，它与 OSWorld-Verified 和 AA 的 GDPval-AA 从不同角度切入同一智能体评测轴，值得结合你自己的 workflows 去验证，而不是当作定论排名。

Code Arena WebDev：0902 构建版的独立裁判

Code Arena 正是此次刷新所缺少的那块独立证据。它是一个面向智能体式 Web 开发的第三方排行榜——该项目原名 WebDev Arena——在这里，人类通过盲测、成对投票来决定更愿意交付哪个模型的输出，这些投票会被转换为 Elo 式评分。在其 WebDev 榜单上，Qwen3.8-Max-0902 以 1,691 分首次登顶，比上一版本高 22 分，并领先于 Claude Opus 5 和 Kimi K3。这一排名还具有成本效率优势：按混合价格约每百万 token 5 美元计算——即 2 美元/6 美元的标价按 Web 应用生成实际产生的、偏重输出的 token 结构加权——0902 版本是该榜单帕累托前沿上得分最高的模型，其成本约为 Claude Opus 5 约 20 美元/百万 token 混合价格的 四分之一，并远低于 Kimi K3 的约 12 美元/百万 token；这就是为什么这两者虽然得分排名第 2 和第 3，却不在前沿上。阿里巴巴于 9 月 2 日公布了这一排名，Qwen 官方账号予以确认，并引导用户前往 QwenCloud；该评测并非来自阿里巴巴：与上文的基准测试表或紧邻上文的 CommerceAgentBench 运行不同，这一分数由第三方竞技场根据人类偏好投票产生。

有两点注意事项可确保其严谨。第一，竞技场评分具有时点性：1,691 是阿里巴巴宣布其首次亮相时榜单所处的位置，随着投票累积，这一数字会发生漂移，因此应将其视为网页开发编码方面的强信号，而非永久桂冠。第二，它只覆盖这一个维度。此次刷新在企业、科学和通用长时程方面的主张仍没有独立第三方裁判，因此，厂商表和基础模型上的 AA Index 56 仍是智能体前端工作之外所有事项的参考基准。第三，前沿价格是一种建模选择，而非新的价目表：约 $5/MToken 的数字是在输出占比较高的使用假设下，对未变的 $2/$6 标价进行混合得出的，因此应将其视为按竞技场自身标准得出的成本效益排名，而非阿里巴巴的重新定价。

开放权重、Qwen3.8-27B 与本地部署之问

阿里巴巴的开放权重承诺现已兑现。2026 年 8 月 12 日，Qwen 在 Hugging Face 上发布两个仓库——BF16 格式的 Qwen3.8-2.4T-A95B 和 Qwen3.8-2.4T-A95B-FP8——各含 213 个权重文件。许可证是自定义的 Qwen3.8-Max 许可证，而非 Apache 2.0；Hugging Face 的 license 字段显示为“other”。条款允许使用、修改、分发和微调，包括商业使用，但须署名，并设有两项基于规模的限制：月活跃用户超过 1 亿或月营收超过 2000 万美元的产品必须显著展示模型名称；模型即服务（Model-as-a-Service）或 AI 工作助手（AI-Work-Assistant）业务，若过去十二个月合计营收超过 5000 万美元，需向 Qwen 另行获得许可证。大多数团队都在这些门槛之内；如果你的业务越过这些门槛，在基于其构建之前请阅读许可证文本。下载计数器印证了其新近程度——截至本文撰写时，BF16 仓库为 978 次，FP8 仓库为 3,851 次；对于前沿发布而言偏低，这与仓库于 8 月 8 日创建、仅在 8 月 12 日才转为公开相符，而不是一个已经公开可见一周的仓库。还有一点需要如实说明：开放检查点是基础模型，纯文本且始终开启思考模式，而托管的 Qwen3.8-Max API 增加了视觉输入、可选的非思考模式以及完整的 100 万上下文——下载权重得到的是模型，而非所有 API 功能。

自托管旗舰模型对大多数团队来说仍然遥不可及，但现在这种遥不可及是建立在已知的算力账之上的。完整的 2.4T 参数权重集在 BF16 下约为 4.9TB，在 FP8 下约为 2.4TB，因为即使每个 token 只激活 95B 参数，每个专家仍需常驻内存。按 4-bit 量化计算，大约是 1.2TB，而每块 H200 约为 141GB，因此在你服务第一个 token 之前，就得准备八块或更多顶级加速器。如今公开的激活参数量所补充的是吞吐侧的信息：每个 token 激活 95B，意味着每 token 的计算量相当于约 90B 级别的稠密模型——只是稠密 2.4T 模型会带来的成本的一小部分——所以一旦权重常驻，每 token 成本并不像总参数量所暗示的那样可怕。正是这种大内存占用与适中每 token 计算的组合，让阿里巴巴能够把输出定价为 $6/1M，也意味着自托管团队应选择运行 FP8 检查点的多 GPU 节点，而不是任何单 GPU 方案。

DigitalOcean 的部署选择正是这套算力经济性在生产环境中的一个可行实例。它专门在 NVIDIA HGX B300 GPU 上运行经 NVFP4 量化的模型，使 2.4T 权重能够装入单个节点，从而避免跨节点的专家路由——这是本节此前只在纸面上推演的 4 位量化经济性的一次实际部署。其取舍恰恰就是上文 GPQA 抽查所量化的那一点：占用更小，但相比未量化的旗舰模型，质量会有可测量的损失。

这正是为什么对大多数读者来说，Qwen3.8-27B 才是更具影响力的发布——而且与旗舰型号不同，它的权重按时上线了。2026 年 8 月 14 日，Qwen 以 Apache 2.0 许可证在 Hugging Face 和 ModelScope 上发布了 Qwen/Qwen3.8-27B：这是一个稠密的 27B 模型，原生支持多模态，具备 262K token 的原生上下文（可扩展至 1M），并带有可配置的 reasoning_effort 模式。Unsloth 的 Daniel Han 曾估计它只需约 17GB 显存即可运行——一张消费级高端显卡就够了——而这一点如今已可验证：官方仓库提供 BF16 safetensors（18 个分片，总计约 55.6GB），社区仓库随后也跟进推出了 GGUF 量化版本。至此，这一代的发布节奏已然完整：2.4T 旗舰的权重于 8 月 12 日率先登场，而面向本地部署路径的小型模型则在两天后落地。我们在 Qwen3.8-27B 发布日期一文中跟踪了它的发布过程。

Qwen3.8-Max 的定位：四大应用场景

1. 长文档与合同分析。 这是最契合的场景。覆盖 1M token 的统一费率，加上 OmniDocBench 92.1，意味着你可以一次调用处理完 400 页的文件，而无需支付附加费，也无需分块。对长上下文收取附加费的竞争对手会让同样的工作明显更贵。在 DigitalOcean 路径上，请记住该路径以 262K 上下文提供开放基础模型——仍可处理大型文件，但并非完整的 100 万。

2. 仓库级编码智能体。Terminal-Bench 86.6 与 FrontierSWE 73.5 的成绩为此提供了支撑，而缓存定价使得在稳定代码库上进行迭代工作成本低廉。首先需要测试的是在你自身并发负载下的延迟，因为预览阶段的评测者发现该模型虽详尽但在长时间智能体运行中偏慢，而正式版（GA）服务与预览版服务截然不同。AA 的 GDPval-AA 结果——以每个任务 64 步的代价取得领先的 1,739 Elo——是对这一权衡两方面的独立印证。DigitalOcean 8 月 12 日的测量数据——聚合吞吐量近乎线性扩展至约 1,937 输出 tokens/秒，256 并发请求下零错误且未发现饱和——是围绕该问题的首个托管平台数据点，尽管这些是 DigitalOcean 基于其自身服务所得的自家数据，而非与阿里服务的直接对比。

3. 文档与截图流水线。视频和图像输入，加上 OSWorld-Verified 86.1，使其对于读取屏幕的工作流而言具备可信度——QA 自动化、基于截图的客服分诊、与 RPA 相邻的任务。同样，多模态输入是托管 API 的一项功能；DigitalOcean 的开放基础路径仅支持文本。

4. 我们暂时不会将其用于哪些场景。对延迟敏感的交互式用户体验，以及任何需要可复现评估的受监管工作负载。对于前者，你需要自己掌控的实测吞吐量。对于后者，可复现性如今有了模型卡和可供引用的许可证，但阿里巴巴的基准表仍未被复现——而 AA 的 Omniscience 回归（幻觉率最高达 40%）提醒我们，独立评分是一把双刃剑。

如何访问 Qwen3.8-Max

有几条可行的路径。通过 Alibaba Model Studio / DashScope 直接接入——或使用 Qwen 自有的 QwenCloud API——可以获得上文中的价目表，并最早获取新的按日期命名的快照：9 月 2 日的 Qwen3.8-Max-0902 版本最先在那里出现，之后才推广到其他端点；代价是要接入一个新的供应商，并管理另一个密钥。Qwen Chat 和 Qwen App 是在编写代码前快速直观了解其行为的最快方式。从 Hugging Face 下载开放权重是第四条路径，适合希望运行自己基础设施的团队——但需注意上文提到的规模和许可限制。通过路由服务则是大多数生产团队应考虑的选项，因为它将迁移决策从评估决策中剥离出来。

自 2026 年 8 月 14 日起，出现了一个真正全新的选择：Qwen3.8-Max 已在 DigitalOcean Serverless Inference 上线，阿里巴巴将其宣布为“Day 0 发布合作伙伴”——这是阿里巴巴自己的说法，不过该上架信息由 DigitalOcean 发布，本身也站得住脚。DigitalOcean 以完全托管的无服务器 API 形式提供该开放权重检查点（平台模型 ID qwen3.8-max），在与 Inferact 的技术合作下，于 NVIDIA HGX B300 GPU 上以 NVFP4 量化：单一端点、按用量计费、无需管理基础设施。其价目表与阿里巴巴的标价一致——$2.00 输入 / $6.00 输出每 100 万 token，缓存输入为 $0.20——并且它提供开放基础模型原生的 262K 上下文，思考模式始终开启，而非托管旗舰版约 100 万 token 的多模态模式。如果你的工作负载偏向长上下文，这个上下文上限就很关键：完整的百万 token 模式仍然仅在阿里巴巴 API 上提供。

DigitalOcean 路径在地理覆盖之外带来的，是首个来自 Alibaba 以外提供商的实打实服务数据。DigitalOcean 于 8 月 12 日针对其生产端点进行的自身测量显示，预填充线性扩展，速度约为 16,000 tokens/秒——经验法则是 TTFT ≈（输入 ÷ 16,000）+ 0.7 秒，因此在约 1,080 个 token 时约为 1.1 秒，在约 254K 时约为 15.8 秒——并且聚合吞吐量达到 256 个并发请求下的约 1,937 个输出 token/秒，零错误且未发现饱和点。这些是 DigitalOcean 在其自身部署上的数字，并非受控对比测评，但它们是该模型在 Alibaba 云之外的首批延迟与并发数据，并直接回应了预览阶段“详尽但缓慢”的担忧。

Qwen3.8-Max 已在 OrcaRouter 上线，型号为 qwen/qwen3.8-max；9 月 2 日的刷新版本可通过其带日期的独立 ID qwen/qwen3.8-max-0902 路由，两者均为相同的 $2.00 / $6.00 目录价。OrcaRouter 收取 0% 加价，并直接透传供应商价格，因此无论走哪条路由，成本都与直接调用一致。我们自己的服务遥测目前显示，在 7 天窗口内，首 token 延迟 p50 为 1.64 秒。这是第一方延迟测量，而非供应商声明；值得将其与预览期的“我用过的最慢模型”说法对照考量：那些说法来自一位评审者在预览基础设施上运行长达一小时的智能体构建，应当针对 GA 正式服务重新测试，而不是当作当前事实重复。

路由路径的实际价值在于：Qwen3.8-Max 与你已经在运行的模型位于同一个 OpenAI 兼容端点之后，因此对它做评估不过是改一下模型字符串而已。你可以把 5% 的生产流量导给它，在完全相同的提示词上与你现有的主力模型做对比，并保留一条回退路径——这正是对一个厂商基准表尚未被独立复现的模型所应持有的态度。同样的态度也是测试 DigitalOcean 部署的正确方式：在回退机制到位的前提下，先让一部分流量走它，而不是把一条生产路径押在一个才上线两周的推理服务栈上。

局限性与坦诚面对的风险

• 供应商表格仍未审计。独立评分已公布（AA指数56），但阿里巴巴自己的基准表格仍未复现，且AA的测量指出Omniscience出现回退，幻觉率高达40%。独立评分有帮助，但并不能让供应商表格变得可审计。

• DigitalOcean 这条路径是开放基础版，而非旗舰版。它提供 262K 上下文的检查点，纯文本，始终开启思考，NVFP4 量化——而 DigitalOcean 自己的抽查给该构建在 GPQA Diamond 上打了 88 分，对比阿里巴巴公布的 92.6，DigitalOcean 称这一差距只是指示性的，而非受控对比。如果你需要完整的百万 token 多模态 API，那仍由阿里巴巴托管。

• Qwen3.8-27B 已发布，但基准数据由厂商自行公布。27B 的权重于 8 月 14 日以 Apache 2.0 许可发布，填补了本地部署的空白——但其基准测试声明由阿里巴巴报告且未经复现；截至本次更新，社区量化版本仍在陆续推出。

• 自定义许可证，并非 Apache 2.0。Qwen3.8-Max 许可证允许在署名的情况下进行商业使用，但设有两个规模门槛——月活用户超过 1 亿或月营收超过 2000 万美元时，须显著展示模型名称；对于 MaaS/AI-Work-Assistant 业务，过去 12 个月营收超过 5000 万美元时，则需另行获得许可证。在规模超过这些阈值之前，请先阅读该许可证。

• 冗长与指令漂移。 IFBench 82.8 是阿里巴巴自家表格中最弱的数字，预览测试人员也多次看到模型超出范围——添加未请求的功能。AA 自己的数据如今给出了具体数字：每个 GDPval-AA 任务 64 步，正是这使成本推高至 1.14 美元，比 Kimi K3 高出 25%。在演示中很迷人，但当输出按每百万 token 6 美元计费时就很昂贵，而当你需要精确格式时又会造成不稳定。

• 内容护栏。与其他中国托管的前沿模型一样，对政治敏感话题的回复会受到限制。如果你的产品需要处理开放式查询，这一点就与你相关。

• 思考 Token 按输出计费。启用推理后，实际成本会高于粗略估算。请按照你实际部署时的推理配置进行测量。

常见问题

Qwen3.8-Max 现在可用吗？

是的。它于2026年8月3日正式全面可用（GA），并公布了价目表，同时提供兼容 OpenAI 和 DashScope 的 API。当前的生产快照——9月2日发布的 Qwen3.8-Max-0902——已在 QwenCloud 的 API 上线，也是标准 qwen3.8-max 端点目前所提供的版本。这与其7月19日预览阶段的状态不同，当时仅限 Qwen Chat、Qwen App 以及 Qoder 的积分活动访问。

Qwen3.8-Max-0902 是什么？

Qwen3.8-Max-0902 是 Qwen3.8-Max 于2026年9月2日发布的正式生产更新版本：同样的2.4T参数稀疏MoE旗舰模型与100万token上下文，在Coding和Cowork上经过进一步后训练，并已在QwenCloud API上线，价格仍为$2/$6。Qwen称新快照版本在复杂企业和科学任务上更强——这是厂商说法，尚未经过独立基准测试——但在编程维度上，它已经拥有一项独立结果：根据阿里巴巴关于该竞技场实时榜单的公告，并得到Qwen自己的QwenCloud账号确认，它在Code Arena: WebDev榜单上以1,691分排名第一，并在其性价比帕累托前沿上以约$5/百万token的混合成本位居首位。

Qwen3.8-Max 多少钱？

每 100 万输入 token 为 2.00 美元，每 100 万输出 token 为 6.00 美元，在完整的 100 万 token 上下文中统一适用，且无长提示词附加费。缓存输入命中为每 100 万 0.25 美元，显式缓存创建为 2.50 美元，缓存读取为 0.17 美元。思考 token 按输出费率计费。在 Artificial Analysis 的 Intelligence Index 上，该模型的实测成本为每任务 1.14 美元——有关该成本为何高于按 token 计算的结果，请参阅定价部分。DigitalOcean 的无服务器方案列出相同的 2/6 美元价格，缓存输入为 0.20 美元。

Qwen3.8-Max 有多少个参数？

总计 2.4 万亿参数，采用稀疏混合专家（Mixture-of-Experts）配置。活跃参数数量，也就是真正决定服务成本和延迟的数字，现已确认：根据 Qwen3.8-2.4T-A95B 的官方模型卡，为 950 亿激活参数（512 个专家；每个 token 有 10 个路由专家加 1 个共享专家处于激活状态）。

Qwen3.8-Max 的权重是开放的吗？

是的——自2026年8月12日起。Qwen 在 Hugging Face 上发布了 Qwen3.8-2.4T-A95B（BF16）和 Qwen3.8-2.4T-A95B-FP8，两者各包含 213 个权重文件。许可证是自定义的 Qwen3.8-Max 许可证（Hugging Face 将其列为“other”），而非 Apache 2.0：它允许在注明出处的前提下商用，并设有两道基于规模的限制门槛。开放检查点是纯文本的，且始终开启思考模式；托管 API 则增加了视觉能力、可选的非思考模式以及完整的 100 万上下文。

Qwen3.8-Max 是否已进行过独立基准测试？

是的——截至2026年8月6日。Artificial Analysis 在其 Intelligence Index 上给它评分为56分，每任务成本1.14美元，基于阿里巴巴官方API测量：较 Qwen3.7-Max（46）跃升10分，与 Claude Opus 4.8（56）持平，比 Kimi K3（57）低1分。然而，上方的基准测试表仍由阿里巴巴报告且未经复现，LMArena 的综合排行榜也仍无公开分数。独立竞技场的格局在9月2日发生了变化：0902 刷新版首次亮相便以1,691分位居同一平台 Code Arena: WebDev 榜首——这是第三方盲投结果，而非阿里巴巴的表格——并且 Code Arena 的成本性能前沿将其列为该榜单中得分最高的性价比选择，混合成本约为 $5/MToken。DigitalOcean 对其量化版本的抽查（GPQA Diamond 上88分）是对服务部署的首次第三方检查，并且明确仅具指示性，而非受控结果。对“独立”一栏需注意一点：CommerceAgentBench 中 Qwen3.8-Max 在开放权重模型中领先，但它并不是第二个独立裁判——构建并发布该基准的 Accio 是阿里巴巴自己的团队。

Qwen3.8-Max 比 Qwen3.7-Max 更好吗？

按阿里巴巴自己给出的数据，提升幅度相当大——FrontierSWE 73.5 对 40.7，DeepSWE 1.1 56.6 对 21.6，在困难的软件工程任务上几乎翻倍。它也比上一代的 $2.50/$7.50 更便宜。独立来看，AA 在其 Intelligence Index 上给出的代际跃升为 10 分（56 对 46）。不过，两家厂商的说法仍应在你的工作负载上加以验证。

我可以自行托管 Qwen3.8-Max 吗？

实际上不可行。完整的 2.4T 权重集在 BF16 下约为 4.9TB，在 FP8 下约为 2.4TB，在 4-bit 下约为 1.2TB；而每块 H200 约为 141GB，这意味着需要八块或更多高端 GPU。每个 token 激活 95B 参数，因此单 token 的计算量相对不大，但内存占用才是硬性约束。DigitalOcean 在 B300 上提供的 NVFP4 服务是有力证明：4-bit 可将该模型装进单个节点。Qwen3.8-27B——据报道显存占用约 17GB——是现实可行的本地部署选项，其权重已于 2026 年 8 月 14 日以 Apache 2.0 许可发布——现在已可下载，而不只是承诺。

Qwen3.8-27B 是什么？

与旗舰模型一同发布的一款规模小得多的模型，定位为实用的本地部署方案。它是一个稠密的 27B 模型，原生支持多模态，原生上下文为 262K token，可扩展至 1M，并以 Apache 2.0 协议发布。其权重于 2026 年 8 月 14 日登陆 Hugging Face 和 ModelScope；Unsloth 的 Daniel Han 报告称，它运行仅需约 17GB 显存——一张高端消费级显卡即可。其基准测试成绩由阿里巴巴报告，尚未被独立复现。

Qwen3.8-Max 是多模态的吗？

是的——它接受文本、图像和视频输入，并返回文本。它还支持思考模式、函数调用、内置工具和结构化输出。开放权重检查点仅支持文本；多模态输入是托管 API 的一项功能，而 DigitalOcean 路径不包含这项功能。

Qwen3.8-Max 在 DigitalOcean 上可用吗？

是的——自 2026 年 8 月 14 日起。DigitalOcean Serverless Inference 以每 100 万 token 2.00 美元/6.00 美元、缓存输入 0.20 美元的价格提供该开放权重检查点（在 NVIDIA HGX B300 上使用 NVFP4），上下文长度为 262K token，仅支持文本，思考功能始终开启。Alibaba 称 DigitalOcean 为其“第 0 天发布合作伙伴”；该上架信息本身属于 DigitalOcean，与该说法无关。DigitalOcean 的实测数据：在 256 个并发请求下，预填充约 16K token/秒，输出约 1,937 token/秒，零错误。

我可以通过 OrcaRouter 使用 Qwen3.8-Max 吗？

是的。它已以 qwen/qwen3.8-max 上线，9月2日的快照也有独立的日期化 ID——qwen/qwen3.8-max-0902——同样是 $2.00/$6.00 的标价，0% 加价。经由你已经在使用的 OpenAI 兼容端点进行路由，成本与直连相同。我们 7 天的遥测数据显示，首 token 时间（p50）为 1.64 秒。

我今天应该把生产流量迁移到它上面吗？

不是全面替换。其定价和首个独立评分让一次认真评估成本很低，而且现在值得做；但由于每任务成本比 Kimi K3 高 25%，有纪律的做法是在相同提示词上对现有服务商做流量拆分，并准备好回退方案——而不是迁移。DigitalOcean 路径增加了第二个可对照测试的托管部署，这会让评估成本更低。

底线

Qwen3.8-Max 曾有两周时间是最有趣却无人能买到的模型。到正式发布时，它已成为一个真正不同的选择：百万 tokens 统一 $2/$6 是激进定价，缓存价格让迭代式智能体工作变得便宜，而在 FrontierSWE 和 DeepSWE 上的代际跃升——如果能够复现——使它成为真正的编程模型，而不只是规模上的炫技。8 月 12 日以正式许可证开放权重，让“即将开放权重”从承诺变成了事实；8 月 14 日宣布的首日 DigitalOcean 路径——带有实测服务数据和 $0.20 缓存读取——则强化了“低成本试用”的理由，并让团队有一个可管理的第三方部署来与阿里巴巴自家 API 对比。9 月 2 日的 Qwen3.8-Max-0902 更新延续了这一论点：同样的 $2/$6 和 1M 上下文，并针对该模型本就定位的编程和协作工作增加了后训练。此次更新还为这一编程主张增加了一个独立的人类偏好排行榜：Qwen3.8-Max-0902 以 1,691 分在 Code Arena 的 WebDev 榜单上首次亮相即排名第一，领先于 Claude Opus 5 和 Kimi K3；按约 $5/百万 token 的混合价格计算，它是该榜单性价比帕累托前沿上得分最高的模型。阿里巴巴 Accio 团队同周发布的 CommerceAgentBench 结果——Qwen3.8-Max 在基于真实商业工作流构建的基准上领跑开放权重阵营——为这一协作工作论点提供了自己的具体榜单，尽管这是厂商自己运行的。

变化在于，裁判方和权重都已落地——结论总体不错，但确有实实在在的星号。AA 将 Qwen3.8-Max 的 Intelligence Index 评分定为 56，这是一次真正的代际跃升，与 Claude Opus 4.8 持平；不过同一份评分卡显示，Kimi K3 在每任务成本低 25% 的情况下领先一分，并指出 Omniscience 下降 10 分，同时幻觉率上升。激活参数问题已有定论——模型卡确认激活 95B——许可证也已公布，为自定义许可证而非 Apache 2.0。没有改变的是：阿里巴巴自己的基准表仍未被复现；每任务成本仍然很高，因为模型要经过太多步骤；DigitalOcean 上提供的开放基础版，与旗舰版头条数字背后的模型略有不同（262K 上下文、NVFP4、GPQA 抽检 88 对 92.6）；而且 Qwen3.8-27B 的基准声明仍是厂商自报，尽管其权重已经发布。这种组合并不使 Qwen3.8-Max 成为糟糕的选择——在这个价格下，它几乎是一场必须做的实验——但这确实意味着正确的姿态是积极评估、审慎路由、保留后备方案。现在要关注的是：支撑每任务 1.14 美元成本的智能体步数是否是你的工作负载能够承受的；0902 构建版本在 Code Arena: WebDev 上的领先地位能否随着投票累积而保持；其在 Coding 和 Cowork 上的提升能否在真实工作负载上复现；CommerceAgentBench 的开放权重领先——在阿里巴巴自家测试框架上两项汇总测试均通过——能否经受独立复跑；27B 的基准声明能否站得住脚；以及 DigitalOcean 部署的实测吞吐量能否在真实流量下保持——这将决定“仅次于 Fable 5”是定位还是预言。