
Qwen3.8-27B 評測:開源權重 27B,人稱「居家 Opus」——實測對決 hype
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 187 tok/s
- openai新OpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 每百萬 tokens · 87 tok/s
- openai新OpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 每百萬 tokens · 152 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 194 tok/s
- Alibaba新Qwen: Qwen4 Max2026-11-16$1.50 / $4.50 每百萬 tokens · 86 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 705 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 每百萬 tokens · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 101 tok/s
Qwen3.8 27B是現在你能自行託管的最佳開放權重 27B 模型,而且領先幅度並不小。權重於 2026 年 8 月 14 日在 Apache 2.0 授權下釋出:一個稠密的 27B(若把視覺編碼器計算在內則為 28B),具備 262K 原生上下文、原生影像與影片輸入,以及廠商回報的代理式編碼分數,這些分數達到或超越 Claude Opus 4.6 Max——SWE-bench Pro 61.7、DeepSWE 1.1 42.2、LiveCodeBench v6 90.3。最受矚目的價格是零:下載 55.6 GB 就能跑。但注意事項也確實存在——獨立測試發現它比前代大約慢三倍、也更耗 token,廠商的基準測試表至今仍沒有任何重現結果支撐,而 1M 上下文是僅限託管服務的功能。自發布以來最有趣的動態在規格表之外:10 月 13 日,一個社群 llama.cpp 移植版本回報在已越獄的 PlayStation 5 GPU 上以約每秒 20 個 token 執行這些權重。結論:如果你有 24 GB 以上的 GPU,想要接近前沿的能力又不想收到按量計費的帳單,就自行託管它——但進場前請清楚知道哪些數字其實站不住腳。
先說結論:你應該使用 Qwen3.8 27B 嗎?
簡短回答 — 對於本地和私人工作負載,是的;在做出採購決定前,請等待第三方數據。 Qwen3.8 27B是罕見的模型,其開放權重就是產品本身,而 API 只是便利性。由於採用 Apache 2.0 授權,一旦你擁有硬體,每個 token 的價格就永久為零,而且你在其上建構的任何東西都不能被重新授權或事後追收費用。你所放棄的是速度、驗證和便利性。
如果您已經在運行 Qwen3.6-27B 並且對它感到滿意,那麼升級確實是真的,但以實際時間而言並非免費。如果您是從 Qwen3.8-Max 發布活動來到這裡的,那麼這是同一世代的較小、可自行託管的成員——一種用於不同工作的不同工具。
重點速覽,已於2026年10月15日查核
• 發布權重於2026年8月14日上線,位於Qwen/Qwen3.8-27B的 Hugging Face 上,並在 ModelScope 同步;因時區差異,部分報導另提及8月13日,且此次發布約在 Qwen3.8 系列公布後一週。
• 授權 — Apache 2.0:可下載、修改、重新發布、商業使用,並附有明確的專利授權。永久有效。
• 參數 — 27B 密集(含視覺編碼器為 28B),64 層,隱藏維度 5,120,詞彙量 248,320。
• 架構 — 混合注意力:48 個 Gated DeltaNet 線性注意力層對比 16 個完整 Gated Attention 層(比例為 3:1)。這就是為什麼一個 27B 密集模型能承載 262K tokens 的原生上下文。
• 上下文 — 原生支援 262,144 個 token;可透過託管版本的 YaRN 擴展至 1,000,000。
• 輸入 — 原生影像與影片及文字輸入;回傳文字。參數數量之所以是 28B,是因為視覺編碼器。
• 思考 — 推理模式預設開啟,可依需求停用; reasoning_effort(低/中/高)與 preserve_thinking 用於長時間的 agent 執行。
• 權重 — 55.6 GB 的 BF16 safetensors,分為 18 個分片;FP8 與社群 GGUFs 也一同提供。
上述規格取自Qwen3.8 27B的 Hugging Face 模型卡與設定檔,讀取日期為 2026 年 10 月 15 日。該供應商的基準測試表由阿里巴巴提供,且至今仍未被重現。目前唯一有紀錄的獨立評估來自 Artificial Analysis,其在 Intelligence Index 上給予 Qwen3.8 27B 34 分,並測得每秒 41.2 個輸出 token——單一指標對上一整張滿是供應商數據的模型卡,而且它並未能重現這些數據。
Qwen3.8 27B 真正擅長什麼
最有力的案例是代理式軟體工程。阿里巴巴在 DeepSWE 1.1 上相較於先前的 27B 提升了 3 倍(42.2 對 13.3),並在 SWE-bench Pro 上取得高於 Claude Opus 4.6 Max 的分數(61.7 對 53.4)。正是這些數字為它贏得了「Opus at home」的綽號——一個稠密的 27B 模型,能在一般人實際能擁有的硬體上執行接近前沿的程式設計工作。

除了原始數據之外,還有三件事讓它成為一個站得住腳的買入標的:
• 原生多模態。 圖片和影片輸入、文字輸出——帶有圖表的文件或影片導覽,並非另一種獨立模型。視覺推理分數(啟用鏈式思考功能時為85.6,視覺數學為94.6,兩者皆為廠商宣稱)正是視覺編碼器展現其價值之處。
• 262K 原生上下文。長時程代理任務、大型程式碼庫,以及長達數小時的轉錄稿都能容納在單一視窗中。混合線性注意力設計讓該上下文的 KV 成本低於同規模的純全注意力模型。
• 免費、永久的權重。這正是這類別的重點:封閉式 API 模型是租用的;Qwen3.8 27B是擁有的。以 4-bit 執行時,可在 24 GB 顯示卡(RTX 3090/4090 等級)上運行;AMD 提供 Day-0 支援(根據 AMD 自家部落格,Ryzen AI Max+ 395 上可達 24.5 tokens/s,Radeon AI PRO R9700 上可達 51.8 tokens/s)。
評測的棘手之處:速度、令牌與驗證
到目前為止的獨立測試只是一名測試者的測試工具,而非實驗室——但這是我們擁有的最佳訊號。將Qwen3.8 27B與Qwen3.6-27B在十項實際任務上進行比較(由GPT-5.5透過llmcompare框架評判),3.8贏得十項中的九項,平均得分為8.838對6.862——測試者稱這是「他所見過最令人印象深刻的情報提升之一」。它還使用了幾乎三倍的token數量,且速度明顯較慢;其中一項任務的耗時約增加了600%。因此,品質的提升是真實的,而牆鐘時間的代價同樣真實。
還有四件事可以用來反對它:
• 獨立基準測試,比這張卡所暗示的還要少。 廠商提供的卡片很詳盡,但上頭的每個數字仍是由 Alibaba 自行回報。Artificial Analysis 於 10 月 15 日讀取的 Intelligence Index 分數 34,是這個模型的第一份獨立評估——單一分數、來自單一實驗室,對 SWE-bench Pro 61.7 或 DeepSWE 1.1 42.2 毫無說明。如果你的決策需要重現那些 agentic 主張,它們尚未被重現。
• VRAM 下限確實存在。 BF16 需要 80 GB 等級的 GPU。要裝進 24 GB 的顯示卡,就必須以 4-bit 執行,而社群回報(dev.to 留言串,發布後幾天)指出量化版本「在長上下文之後會失去焦點」。若你有足夠的 VRAM,就用官方權重;若沒有,則用量化版——而量化路線如今已能觸及遠低於 24 GB 顯示卡的硬體,下方 PlayStation 5 的測量結果正是這點的第一個真實證據。
• 1M 上下文僅限託管。開放權重上限為 262K。可擴展至 1M 的數字是 Qwen Cloud 的託管功能,並非本地副本開箱即用。
• 「Beats Opus」需要附加條件。Agentic 基準測試會獎勵特定於測試框架的行為,而 dev.to 發布貼文上的熱門評論說得很直白:「在實際使用中,它們並沒有擊敗 Opus。」請把這份排行榜視為狀況良好時的上限,而非承諾。
它在 Qwen 3.8 系列中的定位
• vs Qwen3.6-27B — 相同的硬體等級與 262K 上下文規模,但在速度與 token 效率上付出代價,換來能力的大幅躍升。如果你已經在跑 3.6 且受吞吐量所限,繼續沿用是合理的選擇。
• 對比 Qwen3-Coder-30B-A3B——Coder 是一個 MoE,擁有約 33 億個活躍參數,運行速度快得多(約 90–110 tokens/s)。稠密型 27B 每個 token 的處理速度較慢,但繼承了這世代的 agentic 增益;如果 27B 的軟體工程評分在獨立測試中依然成立,那麼 Coder-30B 的角色就會縮小。
• 對比 Qwen3.8-Max — 2.4T MoE 旗艦是資料中心模型(僅提供 API,公開報導中約每百萬 tokens 收費 $2/$6),支援 1M 上下文和影片。27B 是可部署的那個。它們回答的是不同的問題。
硬體下限於 10 月 13 日有所變動。
PS5LM 是一個 llama.cpp 移植版,可在已越獄的 PlayStation 5 上執行 GGUF 模型,而且就在你已經擁有的主機內。其已發布的版本規模不大——v0.1.1,單一 payload,模型上限約 1.6 GB,也就是 4 位元的 Qwen3.5 2B,沒有更大的模型,且僅限 CPU。10 月 13 日,該專案收到一個 pull request,改變了硬體清單的樣貌:一條原生應用程式路徑,將 llama-server 連結到供該主機使用的社群 Vulkan 驅動程式,並回報 Qwen3.8 27B 在 UD-IQ2_XXS 量化上達到每秒 20.7 個 token(6.77 GiB、64k 上下文),以及在 UD-Q2_K_XL 上達到每秒 20.3 個 token(9.15 GiB、32k 上下文、q4_0 快取),其中一個 7,775-token 的回答維持在每秒 19.7 個 token。同一台主機在 Gemma 4 E4B 上跑出每秒 61 個 token,在 Llama 3.2 3B Instruct 上則是 124 個,這正是 27B 這個數字值得細看的原因:這不是一個小模型在襯托一個大數字。
在你依據它行動之前,先標明它的性質。那些數字是 pull request 作者自己在未合併分支上的測量結果,不是廠商基準測試,也不是已發行版本。PS5LM 自己的儲存庫仍將 GPU offload 與 Qwen 3.8 27B 列為尚未推出的 roadmap 項目,而維護者在 pull request 上的留言表示,他會先在自己的主機上重現這些數字,之後 README 才會收錄它們。第二位測試者回報應用程式確實能跑——韌體 4.50,7B 與 9B 模型約每秒 30 個 token——這佐證了其機制,但並未重現 27B 的結果。要走到那一步,還得假設你擁有一台主機、韌體版本在 7.00 到 13.60 之間,並且已越獄。
它改變的是成本問題的形狀,而不是它的答案。在遊戲主機上以大約每秒 20 個 token 運行的稠密 27B 模型,會比同一模型由真正的 GPU 提供服務時更慢——Artificial Analysis 透過阿里巴巴自家的 API 測得每秒 41.2 個 token,而每秒 20 個 token 是 2-bit 建置版本的速度,並伴隨壓縮所隱含的品質損失。所以這不是跳過 24 GB 顯示卡的理由;這反而是證據,證明這類模型可以可攜到遠低於該門檻的硬體上。如果你真正想要的,是在花一整個週末搞越獄之前先知道這個模型好不好,那麼便宜的途徑就是按量計費的呼叫:一組金鑰就能橫跨 200+ 個模型,不必再簽第二份合約,而且當你在評估時端點不穩,還能跨供應商自動容錯移轉。
成本:本地與API之爭,塵埃落定
對於封閉模型,你會比較每個 token 的價格。對於 Qwen3.8 27B邊際 token 在你自己的硬體上不花成本——真正的代價是前期 GPU 和你的時間。以 4-bit 來說,那是一張 24 GB 的顯示卡;以 BF16 來說,那是一台 80 GB 等級的機器。如果你沒有這種機器,或者你想在佔用 55.6 GB 磁碟空間之前先取得答案,還有託管路線:OrcaRouter 列出 Qwen3.8 27B每百萬輸入 token 為 $0.33、每百萬輸出 token 為 $2.40,在 OrcaRouter 模型頁面上,也就是供應商牌價,以 0% 加成直接轉嫁(2026 年 10 月 15 日查核)。本頁在 8 月描述的免費、有速率限制的方案已不再出現在該處——除非你看到它被明確標示,否則請將它視為過時資訊。Alibaba 自家的 API 是另一個託管路線,Artificial Analysis 針對 Xhigh 推理配置列出每百萬 $0.50 和 $3.00。Qwen Cloud 的託管版本具備 1M 上下文,仍標示為「即將推出」。

坦白說:對開放權重模型而言,供應商是便利,而非依賴。按量計費的託管呼叫,是判斷 55.6 GB 下載是否值得的最便宜方式;它也是不必先解決 PlayStation 5 那段文字所描述的硬體問題、就能測試該模型的唯一方法。但一旦你做了決定,重點就是權重本身——而它們是免費的。
如何實際嘗試
• 最快速的評估 — 在託管端點上呼叫它,每百萬個 token 只要 $0.33/$2.40;幾十萬個 token 的實際工作量只需幾美分,就能在你下載任何東西之前得出結論。
• 在您的硬體上進行實際測試 — 下載社群版 GGUF(Q4_K_M 版本約 17 GB,可放入 24 GB 的顯示卡),並在 llama.cpp 或 Ollama 中執行。傳入 Jinja 聊天範本,否則模型會以思考標籤回覆你。若要使用 GGUF 的視覺功能,你另外還需要 mmproj 檔案。我們的操作手冊涵蓋執行Qwen3.8 27B 的本地逐步說明。
• 完整精度 — 使用 huggingface-cli 將 Qwen/Qwen3.8-27B 下載至 80 GB 級 GPU。
• 驗證您下載的內容 — 檢查發布者是否為 Qwen 組織,並依據 crc32.txt 驗證分片;發布前曾有相似的儲存庫出現。
當這篇評論有誤時(以及誰應該跳過 Qwen3.8 27B)
• 你沒有 GPU,也不打算租用一個。託管方案為每百萬 $0.33/$2.40——小型 API 模型或許能更便宜、更可靠地滿足你的需求。這個模型是為想要自己掌控推論的人而設。
• 你需要一份 SLA。 代管方案層級在八月中調升;OrcaRouter 模型頁面於 10 月 15 日讀取的資料顯示,過去七天錯誤率為 2.8%,首個 token 延遲中位數(p50)為 3.23 秒,輸出速度為每秒 156 個 token,該期間共路由了 7,720 萬個 token。上線兩個月後,這已是可運作的端點,而非發表首日的排隊人潮——但過去一週的平均值仍不等於正式生產環境的合約保證。自架者應鎖定其下載提交版本,並保留備援方案。
• 你需要的是重現供應商的代理式宣稱,而不只是單一指標分數。Artificial Analysis 的 Intelligence Index 分數 34 是這個模型唯一獨立的數字,而它完全沒說明 SWE-bench Pro 61.7 或 DeepSWE 1.1 42.2——這兩者仍由 Alibaba 自行報告。僅供方向參考,未達採購等級。
• 262K 開放權重的上下文還不夠。 目前 1M 擴展僅限託管版本。
• 吞吐量是您的瓶頸。大量摘要或大批次處理會造成影響:這是一個密集的 27B 模型,token 消耗量約為前代的 3 倍。對於低成本批量任務,較小或較快的模型更勝任。
• 你使用的是一張 12 GB 顯示卡。2 位元 GGUF 能勉強塞進去,但會有明顯的品質損失——那正是上方 PlayStation 5 資料點背後的配置——所以這是一個適合實驗、而非標準化採用的模型。

最終結論
Qwen3.8 27B 是當今最強大的開放權重 27B 模型,並在 Apache 2.0 之下永久免費。若你擁有 24 GB 以上的 GPU,而且想要代理式程式編寫、262K 上下文,以及原生圖片/影片輸入,又不想收到按量計費的帳單,這就是值得入手的選擇。暫緩入手的理由同樣具體:你需要供應商所宣稱的代理式程式編寫能力在模型卡以外的其他地方獲得重現、需要 SLA、需要超過 262K 的開放權重上下文,或是需要比稠密 27B 所能提供的更高輸送量。模型已經推出,權重是真實的,目前唯一的獨立評分是相當體面的 34 分,而硬體門檻也證實比發表報導所假設的更低。只要記住哪些數字來自實驗室,哪些來自供應商。
