Gemini 3.1 Pro 對比 Qwen3.8-27B：提前七個月的預覽，對上可下載的檢查點

2026年9月18日，該廠商自家 AI 開發者論壇上的使用者開始回報，Gemini 3.1 Pro已從 AI Studio 的模型選擇器中消失——付費帳號也不例外，清除快取和無痕視窗都於事無補。那則要求廠商說明這究竟是「錯誤還是刻意為之」的討論串，到了9月21日仍未平息。沒有下架公告、沒有遷移路徑，也沒有任何官方人員回覆。與此同時，Qwen3.8-27B是該實驗室於8月14日以 Apache 2.0 授權開源的，任何人只要下載了它，就誰也奪不走。這場對決真正取決的正是這種不對稱——而非真實存在但幅度不大的基準測試差距——這也是為什麼這兩個模型其實並非在爭奪同一個位置，儘管比較表格把它們並列在一起。

以下針對現有數字進行正面對比，並逐一標明來源：Artificial Analysis 取自 2026 年 9 月 23 日擷取的數據、阿里巴巴自家的模型卡、Google 的發布文章，以及我們自家的路由遙測資料，並全程分開呈現。凡未經測量之處，本頁會如實說明，而非憑空猜測。

這一週發生了什麼，以及它意味著什麼、又不意味著什麼

這些報導內容具體，而且來自 Google 自家的論壇，而非競爭對手的部落格。一篇標題為「Gemini 3.1 Pro 自 2026-09-18 起從 AI Studio 消失——是錯誤還是刻意為之？」的討論串描述付費用戶在毫無公告的情況下失去該模型、Google One 支援服務提供不相關的疑難排解步驟，以及 Google 狀態頁面顯示沒有任何問題。第二篇討論串「Gemini 3.1 Pro Preview 模型無法在 AI Studio 中用來建置 App」也匯集了相同的抱怨，其中包括一名用戶，其程式設計助理數個月來都是以該預覽版為基礎建置的，並表示 Flash 會讓她们的程式碼庫「只會產出垃圾」。

三個坦白的但書。這是開發人員主控台上的消失，並非已確認的 API 中斷：Gemini 3.1 Pro 在我們自家目錄中仍被列出且可路由，過去七天內在該處處理了 9,470 萬個 token。這是使用者回報的——Google 什麼都沒說，因此 Google 以外沒有人能把「悄悄淘汰」與「容量問題」與「主控台錯誤」區分開來。而且這個時機並不討喜，因為這個模型預覽階段自 2026 年 2 月 19 日起——七個月了，卻未公布 GA 日期，而 Google 還在其之下推出了一系列 Flash 模型。另外，GitHub Copilot 在 2026 年 9 月 1 日以 30 天通知期終止了 Gemini 3.1 Pro，這是不同且無關的事件，但指向同一方向：一個沒有 GA 承諾的預覽端點，是你有理由感到不安的依賴項。

我們這邊有一個數字值得與那段背景並列，因為我們無法解釋它，寧可直說。我們對 Gemini 3.1 Pro 目錄項目的七日遙測顯示 80.5% 的錯誤率；同一個早上我們查核的鄰近模型——Qwen3.8-Max、Claude Fable 5.1——分別落在 5.9% 與 6.9%。我們不知道那是不是論壇所回報的同一個問題、某家上游供應商的糟糕一週，還是儀器量測的假象。把它當作在你正式採用前先跑一次金絲雀部署的理由，而不是對該模型的最終判定。

同一把尺，兩種不同的分數

這是大多數比較頁面都會弄錯的部分，因此值得審慎處理。Artificial Analysis 以 Intelligence Index v4.3.2 為這兩款模型評分。我們在 2026 年 9 月 23 日擷取了這兩個頁面，而兩者標示的修訂版本相同——因此，有別於大多數跨模型的索引宣稱，這項比較是同一個快照下的比較，差距確實存在。

• Qwen3.8-27B (xhigh) — 智慧指數 33.7

• Gemini 3.1 Pro Preview — 智慧指數 29.7

Qwen 在目前的標尺上以四分領先。更難的問題是這代表什麼，因為這把標尺本身今年至少已變動三次。二月時，Artificial Analysis 發表文章稱 Gemini 3.1 Pro Preview 是「AI 的新領導者」，領先 Claude Opus 4.6 四分，而當時的媒體報導稱其在當時的 Index v4.0 上得分為 57。在 v4.3.2 上，分數則是 29.7。Artificial Analysis 於 2026 年 9 月 7 日宣布 v4.3，距離 v4.2 僅四天；這次修訂以難度高出許多的 66 項任務 Terminal-Bench 4.0 取代 Terminal-Bench 2.1，並以 AutomationBench-AA 取代 τ³-Banking。Gemini 3.1 Pro 在二月的強項，落在新指數已淘汰或重新加權的評測上。所以：模型沒有變差，是考試變了。但如果你今天要挑選模型，今天的數字才是你真正能據以行動的數字，而今天的數字對 Qwen 有利。

兩者真正分歧之處

彙總分數會掩蓋差異的形狀，而形狀才是有用的部分。以下每張圖表都來自同一次 9 月 23 日的快照，擷取自 Artificial Analysis 為這兩個模型、同一個修訂版本所建立的 v4.3.2 頁面。

• 推理與知識 — Gemini 明顯領先。GPQA Diamond 94.1 對 90.5；Humanity's Last Exam 47.0 對 33.9；SciCode 58.7 對 46.6；CritPt 17.7 對 5.4。

• 真實世界的職業任務 — Qwen 領先，而且差距很大。GDPval 標準化後為 45.4% 對 13.8%。

• 代理式銀行業務與交易 —— Qwen 領先。τ-Banking 48.0 對比 Gemini 的 21.4。

• 通用基準測試上的代理式工具使用 — 在 Qwen 未被測量的項目上，Gemini 領先。Gemini 的 τ²-Bench 為 95.6；並無 Qwen3.8-27B 的數據。

• 終端機相關工作——兩者接近，但在新基準測試上都表現很差。Terminal-Bench 2.1：Qwen 79.8，Gemini 73.8。Terminal-Bench 4.0：Qwen 5.6%，Gemini 4.0%——兩者都是個位數。

• 校準——兩頁之間最劇烈的落差。在 AA-Omniscience 上，Gemini 得分 31.9，準確率 54.9%，幻覺率 50.9%；Qwen 得分 −10.0，準確率 15.6%，幻覺率 30.3%。Gemini 懂得更多，也有超過一半的時間在憑空編造；Qwen 則經常拒絕作答，而在它確實回答的部分中，約有三分之一會出現幻覺。

• 長上下文——在長上下文召回上完全打成平手，各為 82.0。在多模態長上下文召回上，Qwen 為 21.7%，Gemini 則為 15.6%。

把「未測量」的條目照其實際情況來解讀。Gemini 沒有已公布的 GDPval-AA 標準化數值，可對比 Qwen 的 45.4%；而 Qwen 也沒有 τ²-Bench、IFBench、Terminal-Bench Hard 或 ITBench-SRE 的數值，可對比 Gemini 的 77.1、53.8 與 30.3。這些空白中的每一個，都是摘要表會悄悄安插贏家的地方。

決定預算的分歧：運行索引的成本相同

Qwen3.8-27B 每 token 的價格便宜得多。根據 Artificial Analysis 公布的市場數據，它每百萬輸入 token 為 $0.50、每百萬輸出 token 為 $3.00，並有 80% 的快取折扣，混合 7:2:1 費率為 $0.47。Gemini 3.1 Pro Preview 則為 $2.00 和 $12.00——輸入價格是四倍，輸出價格也是四倍——並有 90% 的快取折扣，混合費率為 $1.74。

接著是沒有人會印出來的數字：Artificial Analysis 自家的計算顯示，跑完整個 Intelligence Index 的成本為Gemini 3.1 Pro Preview 是 $1,310.21，Qwen3.8-27B 是 $1,335.92。Qwen 跑起來並沒有比較便宜。它其實還稍微貴一點，因為它花更久的時間才達到同樣的結果。在 Qwen 的輸出帳單中，$512.36 是推理詞元，而實際答案只占 $82.51；Gemini 則是 $691.82 花在推理上，$113.08 才是答案。每詞元價格是一個費率，不是一張帳單。

還有兩個比較表會漏掉的定價事實。首先，Gemini 3.1 Pro 的價格依每次請求的輸入大小分級：輸入權杖 200K 以內為 $2.00/$12.00，超過此上限則為 $4.00/$18.00，而快取讀取費用從 $0.20 倍增至 $0.40。百萬權杖的上下文視窗是真的，但其中最後 800,000 個權杖的費用加倍。其次，我們自家型錄中 Qwen3.8-27B 的條目——以 block-FP8 提供服務，視覺塔採全精度——列出輸入 $0.40、輸出 $4.21，輸入比上述市場數字便宜，輸出則更貴，而且完全沒有公布任何快取權杖費率。不同供應商，費率切分也不同。請確認你實際會被計費的費率。

兩個模型都可透過單一 OrcaRouter 金鑰，以供應商牌價加 0% 加成存取，因此供應商價格一有變動，當天就會反映到我們這端，而不是經過一輪重新定價週期之後才發生——當兩者之一的層級界線正好落在 200K token 時，這一點比平時更加重要。

延遲：最快的首個 token，屬於較慢的模型

這是整份比較中最具誤導性的一對數字，也是最可能讓讀者據以做出錯誤行動的一組。

• 首個區塊時間——Qwen 4.04 秒對上 Gemini 28.37 秒。Qwen 看起來快了七倍。

• 實際答案的耗時 — Gemini 28.37 秒 vs Qwen 52.52 秒。Gemini 約以 1.8 倍勝出，因為 Qwen 在第一個區塊與第一個答案 token 之間花了 48.48 秒思考。

• 輸出速度 — Gemini 每秒 116.5 個 token，Qwen 則是 41.3。Gemini 一旦開始撰寫，速度就快上 2.8 倍，而 Artificial Analysis 將比較基準的中位數設在每秒 95.4 個 token。Qwen 自家頁面稱其「明顯緩慢」。

如果你的產品會向使用者串流第一個 token，那麼 Qwen 主打的延遲數字，就是個你只會騙自己一次的謊言。如果你的產品要等到完整答案才輸出，Gemini 才是更快的模型。這兩個數字都是 Artificial Analysis 的實測結果；兩者都是在 Qwen 的 xhigh 努力程度設定下測得，而這正是模型卡的預設值。

這個預設值在實務工作者之間始終是熱議的抱怨，而模型卡也半默認了這一點。Qwen3.8-27B 揭露了一個reasoning_effort參數，具備三個層級——xhigh（預設值，「適用於需要徹底分析的複雜任務」）、medium，以及low。截至九月的社群文章回報，xhigh會產生非常冗長的思考階段，並建議降到 medium 或 low，同時為推理預算設定上限。阿里自家的模型卡也提出告誡：在多輪代理式工作中，降低投入程度「並不總是能縮短整體任務完成時間」——這對模型卡來說是很坦率的說法，同時也是個警告：顯而易見的修正方法，並不一定是真正的修正方法。

上下文：1M 對比 262K，以及實際上能容納什麼

Gemini 3.1 Pro 搭載 1,000,000 個詞元的上下文視窗，最大輸出為 65,536 個詞元。Qwen3.8-27B 原生支援 262,144 個詞元，並可透過 YaRN 擴展至 1,000,000 個詞元；建議在其中劃分各自的額度：推理內容最多 262,144 個詞元，最終回應最多 131,072 個詞元。

兩則誠實的註腳。Artificial Analysis 的規格表把 Qwen 的視窗列為 256,000，但其本身的常見問題說明寫的是 260K，而模型卡寫的是 262,144——這些都是同一個數字在四捨五入上的差異，不過請引用 262,144，因為那才是模型卡所寫的。而擴展到 1M 是一種縮放技術，與原生百萬 token 視窗並不是同一回事：在 YaRN 擴展模型上 1M 的長上下文召回，並不是 82.0 AA-LCR 這個數字所衡量的東西。沒有人發表過 Qwen3.8-27B 的 1M 上下文召回分數。請把 Gemini 的視窗視為在完整長度下有實測行為的那一個，而把 Qwen 的視窗視為你在圍繞它設計之前應該自行測試的那一個——並且記住，輸入 token 超過 200K 之後，Gemini 的價格會加倍。

代理式工作與工具呼叫

這場對決真正勝負未定的地方就在這裡，而在這裡硬要炮製出一個贏家既容易又不正確。Qwen3.8-27B 擁有 Gemini 所欠缺的實測代理分數，反之亦然。

Qwen 的論點建立在一個強而有力的獨立數據，以及一個強而有力的廠商數據之上。獨立數據是 τ-Banking 的 48.0，對比 Gemini 的 21.4——在同一版本上，在同一份關於銀行環境內多步驟工具使用的基準測試中，高出超過一倍。廠商數據則是阿里巴巴自家的成績單，列出 OSWorld-Verified 84.3、WebArena-Verified 64.8、AndroidWorld 81.9、CoWorkBench 70.7、JobBench 33.4，以及 Agents' Last Exam 20.4 Pass@1。那些都是阿里巴巴的評測，未經其他人重跑，而且它們正好落在獨立測得的 GDPval 結果（經正規化為 45.4%，相較之下為 13.8%）指向同一方向的那些類別裡。

Gemini 的論點在於，它是這項比較中唯一擁有高絕對代理能力分數的一方——τ²-Bench 95.6——而 Qwen 完全沒有 τ²-Bench 分數。它在指令遵循方面也有 IFBench 77.1，而 Qwen 這邊同樣是一片空白。而且它擁有七個月的正式環境實績，這是問世僅五週的開放權重版本所沒有的。

決定勝負的關鍵不是分數，而是你的拓撲結構。Qwen 在代理能力上的優勢，是在模型必須運作於一個它並未設計、早已存在的大型軟體系統內的基準測試上衡量。Gemini 的優勢則是在模型必須長時間精確遵循指令的基準測試上衡量。這些是不同的技能，而兩者都是真實的。

編程

程式編寫的表現也呈現同樣的分歧，這正是為什麼「哪個寫程式比較強」在這裡沒有乾淨俐落的答案。Gemini 在科學運算這一端領先——SciCode 58.7 對 46.6——而它在我們產品目錄頁上的 AA Coding Index 為 68.8，與 Qwen 的 68.1 差距僅在捨入誤差之內，遠遠落在任何值得一提的信賴區間裡。在代理式終端機工作上，兩者在較舊的基準測試中相當接近，Terminal-Bench 2.1 上 Qwen 79.8 對 Gemini 73.8，而在較新的基準測試中則難分軒輊，兩者都掉到個位數。

阿里巴巴的模型卡宣稱的數字高出許多——SWE-bench Pro 61.7、LiveCodeBench v6 90.3、QwenSWEBench 79.0——但那些都是廠商自行回報的，而且模型卡註明 SWE-bench Pro 與 QwenSWEBench 是在 Claude Code 測試框架中跑的，那並不是競爭對手數字會採用的測試框架。穩妥的說法是，在第三方唯一同時測量過兩家實驗室模型的程式碼基準上，兩者在 Terminal-Bench 2.1 上相差四點，在 Terminal-Bench 4.0 上相差 1.6 點，而且兩者在較難的那個上表現都很差。

開放權重對比預覽端點

這是兩者完全無法相提並論的面向，也是實際影響最大的那一項。

Qwen3.8-27B 採用 Apache 2.0 授權，擁有 270 億稠密參數、64 層，並以約 3:1 的比例混合 Gated DeltaNet 線性注意力與全注意力——正是這樣的設計，讓 262K 的脈絡視窗在服務成本上變得可負擔。它真的能跑。量化到 4 位元後，它約只需 17GB，恰好是一張消費級 GPU；短短五週內，圍繞它便長出一整套壓縮生態系，從 Unsloth 的 Dynamic V3 量化（其中包括一個 1 位元版本，Unsloth 稱其能在 8GB 中運行、準確率約為原始模型的 77%），到九月中 PrismML 的 Ternary Bonsai 2 27B。你可以微調它、稽核它，還能在拔掉網路的筆電上運行它。

Gemini 3.1 Pro 是封閉預覽端點，已推出七個月，沒有正式推出（GA）日期，模型卡明確警告預覽版可能缺乏穩定版本的穩定性、可用性與支援，而且——截至本週——它似乎已悄悄從某個開發者主控台下架。你無法下載它，無法鎖定版本，也無法將它容錯移轉到你自己的系統。

如果你想要的是誠實的路由答案，而不是一個判決：開放檢查點的存在，正是讓 Gemini 依賴得以存續的關鍵。把 Qwen3.8-27B 放在本地或自架路徑上作為備援，讓 Gemini 3.1 Pro 留在主要路徑，負責它可量測地更擅長的推理密集型工作，並把兩者放在同一個具備自動容錯移轉的端點後面，這樣一來，它從別人的主控台無聲消失，就只會是你的路由層吸收掉的事故，而不是你的使用者看到的服務中斷。這不是在推銷某個產品——這是唯一能讓本週這則新聞不會害你賠上一個週末的組態。

選擇 Gemini 3.1 Pro，如果

• 你最艱鉅的工作是知識密集型推理，而非長時程工具使用——它在 GPQA Diamond 以 94.1 領先 90.5，Humanity's Last Exam 47.0 領先 33.9，SciCode 58.7 領先 46.6，CritPt 17.7 領先 5.4。

• 你需要真正長的輸入。一個經過實測的百萬 token 視窗，且召回行為經過充分測試，勝過靠技術擴展的 262K 視窗——前提是你能接受輸入 token 超過 200K 後價格翻倍。

• 完成答案的時間比首個字符的時間更重要，而且你要的是每秒116.5個字符，而不是41.3個。

• 你需要廣泛的多模態能力：音訊、檔案、影像、文字和影片輸入，相較於 Qwen 的文字、影像和影片。

• 你願意接受預覽風險，而且你有自己能掌控的備援方案。

若……就選 Qwen3.8-27B

• 你的代理在大型既有系統內運作——τ-Banking 48.0 到 21.4，以及 GDPval 標準化後的 45.4% 到 13.8%，是這份比較中任何地方最大的兩項單一模型優勢。

• 你需要一個誠實而非自信的答案。相較於 Gemini 的 50.9%，30.3% 的幻覺率是截然不同的產品。

• 授權或資料駐留規定排除了封閉式 API，或者你需要用自己的資料進行微調。

• 你想要每 token 費用只有 Gemini 四分之一的帳單，並接受你會把差額花在思考 token 上——這個索引在兩者上執行的成本相同。

• 你已準備好調降 reasoning_effort，從其 xhigh 預設值調低，而不是直接照原樣發布。

我們無法驗證的內容

必須說明的是，也因為比較頁面的價值取決於它留白之處：針對 Qwen3.8-27B 在降低推理投入下的表現，目前尚未有獨立評測發表，因此它在medium與low之下的速度與品質取捨仍未被測量。針對 YaRN 擴展的 1M 配置，並不存在長上下文召回分數。Gemini 3.1 Pro 沒有已發表的 GDPval-AA 正規化分數，而 Qwen3.8-27B 在 τ²-Bench、IFBench 或 ITBench-SRE 上也都沒有。而且沒有人——包括 Google——說明過 Gemini 3.1 Pro 為何在 9 月 18 日從 AI Studio 選單中消失。上述任何一項有所改變時，我們都會更新本頁。