Xing 4.0 29B-A4B 与 Qwen 3.8 27B：视觉与工具调用之争

这两个模型在规模上足够接近，以至于采购表格会把它们放在同一行：Qwen 3.8 27B是阿里巴巴的稠密型 270 亿参数多模态模型，计入视觉塔后为 280 亿参数，于 2026 年 8 月以 Apache 2.0 许可发布，具备 262,144 个原生位置，并支持原生图像与视频输入；Xing 4.0 29B-A4B是中国电信的稀疏型 290 亿参数混合专家模型，每个 token 激活 40 亿参数，输入文本、输出文本，其权重于 2026 年 9 月 16 日公布，直到 10 月中旬才可调用。两者均为 Apache 2.0，均为开放权重，且二者所报告的数字若放在一年前，都会被视为前沿成果。而在任何真正重要的工作负载中，它们也都无法相互替代，原因就在于各自规格说明中的一句话：一侧是否有视觉塔，另一侧是否有工具调用循环。

尺寸差异比名称暗示的要小

• 命名——"27B"只是一个概数标签。计入视觉编码器后，Qwen 仓库在 BF16 张量中给出的数字是 28B；文本主干为 27B，共 64 层，隐藏层大小为 5,120，词表包含 248,320 个词条。

• Xing 的标注——“29B-A4B”是两个数字，而非一个：总计 29B，激活 4B。该仓库报告的全精度张量为 31B。

• 你实际为什么付费 — Qwen 3.8 27B 是稠密模型，因此每个 token 都要运行全部 27B 参数。Xing 4.0 每个 token 只读取 29B 中的 4B。在相同的硬件和批次大小下，Xing 每生成一个 token 的成本要低得多，而 Qwen 的可预测性则高得多。

• 上下文—— Qwen 3.8 27B 原生支持 262,144 个位置，可扩展至 1,000,000，推荐上限为 262,144 个推理 token，最终回复为 131,072。Xing 4.0 支持 256K，声称可扩展至 512K。默认配置下二者相当；而 Qwen 公布的扩展能力可达其两倍。

架构：两个互不相似的赌注

Qwen 3.8 27B 建立在一种混合注意力布局之上——十六个由三个 Gated DeltaNet 层后接一个完整的 Gated Attention 层组成的模块，即线性注意力与二次注意力之间三比一的分割——并且它通过多个 MTP 步骤进行训练。整个堆栈是稠密的，且以线性注意力为主，这正是让一个 27B 稠密模型能够承载 262K 窗口、而不必承担标准 transformer 所需付出的 KV-cache 代价的原因。

Xing 4.0 29B-A4B 是 DeepSeek 谱系中的稀疏混合专家模型：全程采用 MLA 压缩潜在注意力，64 个路由专家、每个 token 激活 4 个，外加一个共享专家，并具备流形约束的超连接残差流——一种四流残差布局，服务框架需要为此定制内核。它还经过 MTP 训练，因此两个模型都在检查点中自带推测解码头，而无需单独附带草稿模型文件。

对从业者来说，这一后果既不体面，又很重要。Qwen 3.8 27B 是一个带有非常规注意力机制的稠密模型，大多数服务栈只需少量工作就能应付。Xing 4.0 已确认支持的运行时是 vLLM、SGLang 和 KTransformers，其中 SGLang 承载了一个专为四流超连接布局编写的内核。定制化的残差流设计第一次会带来实打实的集成成本，而此后每当你量化、微调或更改批次形状时，这笔成本都会反复出现。

每个模型的实际用途

在此，比较已不再是比较，因为这两个模型并非为同一任务而构建，它们的基准测试表重叠程度不足以勉强维持这种比较。

• 软件工程 — Xing 4.0 SWE-bench Verified 75.00 对比 Q​wen 3.8 27B 的 SWE-bench Pro 61.7。这些是不同的基准测试，因此两者之间的差距本身说明不了任何问题。真正可比的一行是，Q​wen 报告 QwenSWEBench 79.0 和 DeepSWE 1.1 42.2，而 Xing 的卡片从未提及这些。

• 终端与智能体编程 — Xing 4.0 在 Terminal-Bench 2.1 上为 57.50，而 Qwen 3.8 27B 在 Terminal Bench 2.1（Terminus）上为 73.0。基准名称相同，测试框架细节不同，且均为厂商自行报告。就公布的数据而言，Qwen 领先超过 15 分。

• 计算机使用与视觉语言智能体 —— Qwen 3.8 27B 的 OSWorld-Verified 为 84.3，WebArena-Verified 为 64.8，AndroidWorld 为 81.9，MathVision 在无思维链时为 90.0，有思维链时为 94.6，OmniDocBench 1.5 为 91.1，RealWorldQA 为 85.9。Xing 4.0 完全没有多模态基准测试，因为它根本不具备多模态能力。这不是表格中的缺失，而是产品上的缺失。

• 工具调用与长时程智能体——Xing 4.0 的 Claw-Eval 为 76.55，Tau3-Bench 为 64.63，DeepresearchBII 为 60.80。Qwen 3.8 27B 的 CoWorkBench 为 70.7，Agents' Last Exam 的 pass@1 为 20.4、得分为 42.9，JobBench 为 33.4。再次强调：测试套件各不相同，没有重叠，因此无法进行比较。

• 通用推理与知识 — Qwen 3.8 27B 的 GPQA Diamond 为 89.2、HLE 为 30.8、LiveCodeBench v6 为 90.3、IFBench 为 79.5。Xing 4.0 的规格卡在该列表中只报告了 IFBench 69.67——比 Qwen 落后近十个百分点，而这也是两家厂商都公布了数据的唯一一项通用能力指标。

请把这些表格看作关于两种不同产品的两份不同文档。Qwen 的那份讲的是一 个通过截图界面执行计算机使用任务的多模态模型。Xing 的那份讲的则是一个为维持长时间工具调用循环而构建的文本模型。它们真正正面交锋的唯一一行——IFBench，指令遵循——由 Qwen 以 9.8 分的优势拿下。

两种寻源，一个共同的注意事项

这两款模型都没有经过独立评估。Qwen 3.8 27B 的数值来自阿里巴巴，是在模型卡上连同评测框架设置一起发布的；Xing 4.0 的数值则来自中国电信，同样以这种方式发布。在这两种情况下，表格中的对比列都是该实验室自行重新运行竞品模型得到的结果，而不是那些竞品公布的数值——这种做法近乎普遍，每当厂商的表格显示竞争对手输得很惨时，都值得记住这一点。

Qwen 3.8 27B 确实有 Xing 4.0 所缺少的东西，而且它不是基准测试榜单上的一行：开放八周以来，包括一个社区 llama.cpp 移植版据报在越狱的 PlayStation 5 的 GPU 上运行这些权重，速度约为每秒 20 个 token。这类第三方工作是开放权重最接近独立审计的东西，而 Xing 4.0 迄今只有一个月的此类经历，其中大部分都花在了服务框架的拉取请求上，而不是评估上。

成本、自托管和按量计费

两者均为 Apache 2.0 许可，因此下载价格为零，且双方始终保持为零。Qwen 3.8 27B 是稠密模型，需要 27B 稠密模型的内存外加一个视觉塔；实际最低要求是在低精度下使用 24GB 显卡，而全精度下载为 55.6GB。Xing 4.0 的模型集合声称可在约 15GB 显存内实现 4 比特量化——这一说法值得对照实际的 GGUF 文件大小加以核实，因为其全精度仓库报告张量规模为 31B。

在按量计费这一侧，Qwen 3.8 27B 才是这里真正可调用的那个。OrcaRouter 托管 qwen/qwen3.8-27b，每百万输入 token 收费 $0.33，每百万输出收费 $2.40，开放权重部署在我们自己的基础设施上，这正是该价格能够维持、而供应商侧改价影响不到它的原因。Qwen 3.8 27B 在我们的目录中还有一项社区 FP8 部署，每百万输入 $0.40、每百万输出 $4.21，其视觉塔保持全精度——这提醒我们，同一个开放模型的两条上架信息并不等于同一个产品。Xing 4.0 不在我们的目录中，所以要找它，只能去厂商自家的 API 和第三方平台，我们不会假装不是这样。

在这样一场对比中，路由器的价值恰恰体现在决策本身上。一个 API 接入 200 多个模型，且零加价，意味着试用一个挑战者只是一条路由规则，而非再做一次集成；自动故障转移则意味着这次试用绝不会让生产路径面临风险：主模型作答，备用模型吸收主模型遗漏的一切，实验结束后，整个实验便从配置中删除。模型融合则更进一步，当你不信任单个模型对某项任务的置信度时，它能让一组模型共同作答。

如何决定

选择 Qwen 3.8 27B，只要你的流水线涉及图像、截图、扫描文档、视频帧或计算机使用循环。它是两者中唯一能够执行这类工作的模型，其计算机使用基准测试成绩是该权重级别中已公布的最强成绩，并且今天就可以按计量方式调用。它也是在指令遵循方面更安全的默认选择，而在面向客户的流水线中，这种失败模式造成的损失最大。

选择 Xing 4.0 29B-A4B如果你的工作负载是纯文本，是长时间的工具调用循环，并且你有条件自行验证供应商的说法。按每卡吞吐量来论证在纸面上成立：以 29B 模型的内存占用，搭配 4B 模型的计算量，而且许可条款你的法务团队已经熟悉。不确定性同样真实——没有独立评估，没有发布通用推理项目的成绩，并且在两家实验室都选择报告的同一项基准上，指令遵循得分落后竞争对手近十分。

对大多数团队来说，这根本算不上一个选择题。Qwen 3.8 27B 包揽一切带图像或屏幕内容的任务；Xing 4.0 则负责纯文本的智能体循环，也就是以逐 token 计算量为主要约束的场景。把两者都接到同一个端点上跑，比依据两家厂商都尚未公布的证据在它们之间做取舍更划算；而 Xing 4.0 的首份独立评测，正是能把局面从“各家实验室选择测了什么”的清单，变成真正对比的那件事。

这一切都并非假设：像本次这样的发布背后那些有据可查的 AI 故障与智能体事件，均收录于 OrcaRouter AI 事件档案库中，其中每条记录都附有自己的来源、严重程度、置信度评级和存疑标记。