LBS-27B 對上 Qwen3.8 27B：27B 的標竿，以及一直在解讀它的實驗室

在LBS-27B以空仓库形式出现的前六週，inclusionAI 发布了另一个模型：inclusionAI/Qwen3.8-27B-singprobe，这是一个建构在阿里巴巴Qwen3.8 27B之上的小型串流护栏探针。它不是语言模型，也不是竞争对手。它是一个安全分类器，会在 Qwen3.8 27B 生成内容时读取该模型的隐藏状态，而它的存在揭示了一件规格表无法说明的事：刚刚预留 LBS-27B 这个名称的实验室，一直直接与占据同一个参数位置的模型合作。

這就是為什麼這是本批次中最關鍵的一場對決。Gemma 4 26B A4B 是不同架構、不同價位級別；Granite 4.2 30B 是稠密型的企業級佈局；LFM2.5 24B A2B 是效率實驗。Qwen3.8 27B 則是一家認真經營的中國實驗室推出全新 27B 模型時，最有可能瞄準的對象。LBS-27B 究竟是對它的挑戰、更便宜的替代方案，還是完全不同的東西，無法從一個只含 28 位元組授權檔案的儲存庫得知——但 Qwen 設下的門檻是可知的，而且很高。

Qwen3.8 27B 究竟是什麼

Qwen3.8 27B 以 27B 模型的名義行銷，在 Hugging Face 上列的 BF16 參數量為 28B，且建構於混合注意力架構之上，而非標準的 transformer。模型卡描述十六個重複區塊，每個區塊包含三層 Gated DeltaNet，其後接一層 Gated Attention，隱藏層大小為 5,120，共 64 層、24 個注意力頭、4 個 key-value 頭，以及寬度 17,408 的前饋維度。詞彙表為 248,320 個 token。

上下文視窗原生為 262,144 個 token，使用 YaRN 可擴展至約一百萬個。它原生支援多模態：輸入文字、圖像和影片，輸出文字。思考功能預設開啟，推理強度等級為 xhigh、medium 和 low，且預設啟用 preserve-thinking 旗標。授權為 Apache-2.0。權重於 2026 年 8 月出現。

這個架構是值得停下來細想的部分。Gated DeltaNet 層是線性注意力的變體，隨著序列長度增加，其擴展性比全注意力更好；而將它們與少數全注意力層交錯排列，是一種能在不於每一層付出二次方成本的情況下取得長上下文行為的方法。這是比單純稠密堆疊更具野心的設計，也是那種在第一次嘗試時難以匹敵的東西。

數字看酒吧

以下全部都是 Qwen 自行回報的結果，尚未經我們獨立重現。它們仍是相關的基準，因為這正是買家會拿來比較的依據。

• 程式設計與軟體工程 — LiveCodeBench v6 90.3、QwenSWEBench 79.0、SWE-bench Pro 61.7、DeepSWE 1.1 42.2、NL2Repo-Bench 42.3。

• 終端機與代理式工作 — Terminal-Bench 2.1（Terminus）73.0、CoWorkBench 70.7、JobBench 33.4、Agents' Last Exam 20.4 pass@1 與 42.9 分數。

• 知識與推理 — GPQA Diamond 89.2、Humanity's Last Exam 30.8、IFBench 79.5。HLE 的數值對 27B 模型來說異常地高，也是這張模型卡上最醒目的單一數字。

• 視覺與電腦操作 — OSWorld-Verified 84.3、AndroidWorld 81.9、WebArena Verified 64.8、MathVision 在未整合思維鏈時為 90.0，整合後為 94.6、OmniDocBench 1.5 91.1、RealWorldQA 85.9、CharXiv 推理 83.7，整合後為 90.2。

• 較弱的項目 — SWE-MM 38.6、RecreationBench 47.1、ClawEval-MM 57.4 pass@3。即使是較弱的項目也相當體面。

這不是一個只靠單一面向取勝的模型。它在程式設計、知識、視覺與電腦操作上同時具備競爭力，而這正是讓同尺寸挑戰者難以定位的特點。一款新的 27B 模型無法靠某一項稍微更強就打敗它；它需要一套不同的論述。

LBS-27B 所展現的成果

沒有可供評估的內容。該儲存庫建立於 2026 年 10 月 26 日 05:36 UTC，內含一個 1,519 位元組的 .gitattributes，以及一個 28 位元組的 README。README 是授權聲明，而且僅是授權聲明：license: apache-2.0。沒有權重、沒有設定、沒有分詞器、沒有模型卡，也沒有基準測試列。下載次數未追蹤，按讚數為零，而且我們在任何地方都找不到該模型的公告、論文或公開討論。

「27B」是一個名稱。它尚未被確認為總參數量，更不用說是活躍參數量，而且沒有任何跡象顯示該模型是稠密、稀疏，還是建構在類似 Qwen 的混合注意力堆疊上。

探測器是最有意思的線索。

inclusionAI 的 Qwen3.8-27B-singprobe 建立於 2026 年 9 月 14 日，並被標記為適用於安全、護欄、串流與幻覺偵測。它基於 Qwen3.8 27B，採用 Apache-2.0 授權，且並未引起太多關注——截稿時僅有 219 次下載與兩個讚。

它的重要性不在於它的受歡迎程度。它顯示 inclusionAI 一直在隱藏狀態層面對 Qwen3.8 27B 進行量測，這意味著該實驗室對模型的內部表徵有足夠深入的了解，能在這些表徵上建立分類器。這是一種比基準測試比較更深層的熟悉形式。這並不證明 LBS-27B 衍生自 Qwen3.8 27B——沒有這方面的證據，而且這兩個組織是各自獨立的公司，Ant Group 和 Alibaba——但這確實暗示 27B 這個級別對該實驗室而言並非隨機選定的目標。

這也帶出了一個值得點明的可能性：一家在推出模型時一併附上安全探測工具的實驗室，或許會把它自家的 27B 定位在可控性與護欄上，而不是在原始基準測試上領先。如果這就是它的賣點，那麼與 Qwen3.8 27B 的比較就從「誰的分數更高」轉變為「哪一個更容易安全地部署」——這是另一個問題，也有另一個答案。

這可能的三種走向

在沒有模型卡的情況下，誠實的做法是描述各種可能的形態，而不是從中挑選一種。

• 更便宜的 Qwen 替代方案。如果 LBS-27B 是稠密 27B 模型，品質相當且服務成本更低，它就能在價格上競爭。面對每百萬輸入 token 要價 $0.33 的模型，這很困難；但如果 inclusionAI 的訓練配方更有效率，或它鎖定更小的活躍參數量，也並非不可能。

• 一項效率導向的策略。如果 LBS-27B 是稀疏模型且啟用參數數量少，就能完全避開 Qwen 的運算特性。Qwen3.8 27B 是稠密模型，因此在長上下文下每個 token 的成本高昂；一個只有部分參數啟用的稀疏 27B 模型，可能在成本上壓低它，但會犧牲一些品質。這就是把 LFM2.5 策略套用到更大規模。

• 不同的利基。如果 LBS-27B 主打安全性、多語言涵蓋、長文件作業或特定的 agentic harness，它可能根本無意全面擊敗 Qwen3.8 27B。singprobe 對這一點的證據薄弱，但這是目前唯一的證據。

那些形態各自意味著不同的設定檔。這就是為什麼架構揭露一旦出現，會比任何發布部落格文章更具資訊價值。

比較，並標示出空白處

• 參數 — Qwen3.8 27B 行銷標示為 27B，BF16 則列為 28B；LBS-27B 是未經證實的 27B。

• 架構 — 針對 Qwen 的 Gated DeltaNet 與 Gated Attention 層混合架構；LBS 則未知。

• 上下文 — Qwen 原生為 262,144，搭配 YaRN 約可達一百萬；LBS 則未知。

• 模態 — Qwen 支援文字、圖像與影片輸入並輸出文字；LBS 則未知。

• 思考控制 — Qwen 的推理強度可設為 xhigh、medium 或 low；LBS 則未知。

• 授權條款 — Qwen 採用 Apache-2.0；LBS 聲明為 Apache-2.0。

• 價格 — 在 OrcaRouter 上，Qwen 每百萬輸入 token 為 $0.33，每百萬輸出 token 為 $2.40；LBS 則無價格。

• 評估 — Qwen 的完整廠商卡片，包含程式編碼、代理式與視覺列；LBS 則無。

價格與單一 API 的論點

Qwen3.8 27B 已在 OrcaRouter 上提供，型號為 qwen/qwen3.8-27b，每百萬輸入 token 收費 $0.33、每百萬輸出 token 收費 $2.40，並具備完整的 262,144 token 上下文。OrcaRouter 以 0% 加價直接反映供應商的原廠定價，因此若阿里巴巴或其代管合作夥伴調整費率，我們這邊的數字當天就會同步變動。平台上還有第二個 Qwen3.8 27B 的項目，以較高費率、不同供應商名稱提供；如果你正在比較報價，值得留意一下。

LBS-27B 不在 OrcaRouter 上。沒有東西可以路由過去。當權重存在時，要回答這篇文章無法回答的問題——新模型對我的工作負載真的更好嗎？——的實用做法，是透過同一個端點把一部分流量導給它，同時讓 Qwen 繼續作為備援。自動容錯移轉讓這成為可逆的實驗，而不是一次遷移；而路由 DSL 則意味著這種分流可以表達為一項策略，而不是一個程式碼分支。這就是路由器在 27B 比較中的有用角色：不是挑選贏家，而是讓你在自己的輸入上衡量兩者。

要怎麼做才能讓這成為真正的比較？

第一份產物是設定檔。它將釐清模型是稠密還是稀疏，並給出有效參數數量，這決定了 LBS-27B 是在品質上與 Qwen 競爭，還是在成本上繞開它。

第二個是視覺塔。Qwen3.8 27B 的多模態能力並非附帶功能；它是該模型在文件、UI 與電腦操作任務上具競爭力的重要原因之一。純文字的 LBS-27B 會是更小的產品，瞄準同一批買家中更窄的客群。

第三個是 inclusionAI 的定位聲明。該實驗室並未說明 LBS-27B 的用途，名稱本身也沒有說明。本文中關於意圖的一切內容，都是從一次探測、一份授權和一個時間戳推斷而來。

目前，能站得住腳的結論仍相當有限。Qwen3.8 27B 是現今最強的 27B 模型之一，具備混合式架構、原生多模態、百萬 token 的擴展路徑，以及激進的託管定價。LBS-27B 則是一個尚未成為模型的儲存庫。兩者之間的差距並非能力上的差距，而是成品與預留名稱之間的距離——而有趣的問題是，一個一直在讀取 Qwen 隱藏狀態的實驗室，究竟是在準備與之競爭，還是與之互補。