Qwen3.8-Flash-Next 對比 Qwen3.8-27B：租用吞吐量，還是自擁權重？

Qwen3.8-Flash-Next 與 Qwen3.8-27B 是同一個問題的兩種答案，由同一間實驗室相隔六天先後發布，而那個問題是：當一個團隊想要這一代可用於正式生產流量的模型時，實際上該跑哪一個。Qwen3.8-27B 於 2026 年 8 月 13 日問世：一個採 Apache 2.0 的稠密 270 億參數模型，其 55.6 GB 的 BF16 權重經量化後可放進單張 24 GB 的顯示卡。Qwen3.8-Flash-Next 則於 8 月 24 日登上 Hugging Face、8 月 26 日登上 ModelScope：儲存參數約 180B，每個 token 啟用 6B，採用限制較嚴的 Qwen Community License 1.0。一個是檔案，另一個是吞吐量概況。在這兩者之間做選擇，主要取決於你的工作負載真正需要的是這兩者中的哪一個。

它們的親緣關係比名稱所暗示的更近。兩者都原生支援 262,144 個 token 的上下文，並可延伸至 1,000,000，兩者都接受文字、圖像與影片輸入並回傳文字，而且兩者都採用阿里巴巴自 Qwen3.5 世代以來持續推出的同一套混合注意力構想——由多數的線性注意力層以低成本處理長上下文的工作，少數的全注意力層則負責線性注意力不擅長的精準檢索。它們不再相同的地方，在於這一切下游的所有環節：授權條款、規模、每 token 價格，以及你得做些什麼才能讓其中一個跑起來。

每一個是什麼，各以一段說明

Qwen3.8-27B 是一個帶有視覺編碼器的稠密因果語言模型：64 層、隱藏維度 5120、中間尺寸 17,408，以及 248,320 個詞元的詞彙表，其注意力堆疊分為 48 層 Gated DeltaNet 線性層與 16 層 Gated Attention 層。阿里巴巴以多詞元預測訓練它。思考模式預設為開啟，`reasoning_effort` 等級有 xhigh、medium 和 low，而模型卡自身的視覺列涵蓋文件解析（OmniDocBench 1.5 為 91.1）、GUI 工作（OSWorld-Verified 84.3、AndroidWorld 81.9）與一般視覺推理（RealWorldQA 85.9、MathVision 90.0）。就一般意義而言，它是一個可下載的模型：一個儲存庫、十八個 safetensors 分片、一個授權檔案，以及一個專業工作站能容納的規模。

Qwen3.8-Flash-Next 是專家混合模型，建構在阿里巴巴表示將成為 Qwen4 基礎的架構上——48 層、512 個專家（其中 10 個路由、1 個共享），專家主體有 125B 參數、每個 token 啟動 6B，另有一個獨立的 51B n-gram 嵌入表，以及約 4B 的多 token 預測層。它的注意力堆疊是在不同規模下同樣的三比一構想：36 層 Gated DeltaNet 對上 12 層運行 Qwen Sparse Attention。模型卡明確指出，這是該架構的實驗性預覽，而非 Qwen4 模型，而實際提供服務的正式版本是透過 Qwen Cloud 提供的 Qwen3.8-Flash。它不是你能隨手擁有的檔案——而是一個你解決一次、之後就能低成本運行的推論服務問題。

除了參數數量之外，這兩者還在何處出現分歧？

授權條款是第一個分歧點，也是在這個頁面上比每一項基準測試爭論都活得更久的那一個。Qwen3.8-27B 是 Apache 2.0，就是如此：商業使用、修改、再散布、衍生性建置，沒有營收門檻，也沒有需要另外協商的協議。Qwen3.8-Flash-Next 採用 Qwen Community License 1.0，允許商業使用，包括販售衍生作品，但如果你經營的是模型即服務或 AI 工作助理業務，且超過既定的營收與月活躍使用者門檻，就必須與 A​libaba 另行簽訂商業協議。如果你打造的是產品，而不是內部工具，那個條款不是註腳；它是一條明列項目。值得先讀授權條款，再讀基準測試表，因為它可能讓一個每項分數都勝出的模型直接出局。

第二個分歧在於「本地」的定義。對 27B 來說，本地指的是一台機器：量化到四位元，模型就能塞進一張 24 GB 的顯示卡，而格式階梯——GGUF 量化等級、為 Apple Silicon 而設的 MLX、實際的 VRAM 算術——在另一篇姊妹頁面中有詳細說明，這裡不再重複。對 Flash-Next 來說，本地指的是為一個 180B 參數的檢查點做資源配置。vLLM 從第一天就能服務它，並透過一條卸載路徑把 51B 參數的 n-gram 表保留在主機記憶體中，而非常駐 VRAM；SGLang 和 TensorRT-LLM 都在 N​VIDIA 的 Day 0 名單中，而 Ollama 的函式庫則為 Apple Silicon 提供了 MLX 版本——但「能跑」和「能在你手上這台機器上跑」是兩種不同的說法，而只有 27B 有資格宣稱後者。

公開數字說明了什麼，以及它們沒有說明什麼

兩款模型都採用 Artificial Analysis 的數據，來自同一個指數，這使得這成為罕見的同家族內部比較，其中獨立數字至少可以並排解讀。Qwen3.8-27B 在 Intelligence Index 上得分 33.7——總體第 47 名，第 66 百分位——並在 AA Coding Index 上得分 68.1，總體第 35 名。開放權重的 Flash-Next 預覽版在 Intelligence Index 上得分 40，在其比較類別的 113 個模型中排名第五。這些條目是在不同日期評估的，因此應將差距視為方向性的，而非受控結果。

這兩個分數背後的細節，比分數本身更有意思。在個別評測中，27B 自家的模型卡列出 LiveCodeBench v6 的 90.3、GPQA Diamond 的 89.2，以及 QwenSWEBench 的 79.0；而 Flash-Next 預覽版的模型卡則列出 91.9、91.7，以及在同系列基準測試上——SWE-bench Multilingual 的 81.0 與 SWE-bench Pro 的 62.5。這些全都是廠商自家的數字，由廠商自己產出，且沒有任何一項曾在匹配的測試框架上被第三方重現。獨立評測呈現的樣貌則較狹窄，且在某些項目上指向相反方向：預覽版在知識工作與終端機任務上表現強勁，但在長時程的儲存庫生成方面較弱；而 27B 的獨立程式編寫指數 68.1，則低於其自家廠商回報的 SWE 數字所暗示的水準。

這個指數確實捕捉到的一項實際差異：preview 十分冗長。Artificial Analysis 測得它每秒 53 個輸出 token，首個 token 耗時 2.80 秒，並稱其「非常冗長」，每項任務燒掉 108k 輸出 token，其中 72k 是推理。27B 則透過我們自家的 playground 在過去七天內測得，每秒回傳略超過 200 個輸出 token，首個 token 中位數為 4.97 秒。不同的測試框架，因此這些速率僅供參考——但它們描述的正是該架構所暗示的同一種形態。一個花費 token 來得出答案；另一個花費較少，而稠密設計讓每一個 token 的產出都更便宜。

價格，針對那兩個真正重要的單位。

以每個 token 計算，兩者差距小到不足以在此做出決定。Qwen3.8-27B 的路由價格為每百萬輸入 token $0.33、每百萬輸出 token $2.40；實際提供服務的 Qwen3.8-Flash 路由價格為 $0.15 與 $0.47，兩者皆按供應商定價原樣轉嫁，不加價。因此，正式生產用的 Flash 版本在輸入方面便宜約 2.2 倍，在輸出方面便宜約 5.1 倍。

以磁碟上的位元組數來看，兩者根本完全不在同一個量級，而這正是低估本地部署的讀者通常會忽略的數字。27B 是 55.6 GB 的 BF16 權重，分散在十八個分片之中，可壓縮到足以在單張消費級顯卡上執行的規模。預覽版則是相同精度下的 180B 參數檢查點——儲存空間是好幾倍、記憶體頻寬是好幾倍，而且其服務配置假設的是主機記憶體卸載，而非單一裝置。若你的限制是手上已經擁有的機器，27B 並不是比較便宜的選項；它是唯一的選項。

要執行哪一個？

若你需要的是擁有模型而非租用模型，就選擇 Qwen3.8-27B：地端或氣隙部署、可讓你據以打造產品而不必談營收的 Apache 2.0 授權、不會隨他人價目表變動的每次請求成本，以及可自行營運的單一 GPU 推論服務方案。當你需要微調、合併或量化時，它也是這對組合中正確的那一邊——該儲存庫顯示已有數百個社群轉接器、微調與量化版本衍生自它，而這正是 Apache 2.0 權重釋出隨時間為你帶來的價值。

如果你的限制條件是吞吐量與每 token 成本，而不是控制能力，那就選擇 Qwen3.8-Flash-Next：大量高頻的代理式掃描作業、大規模的分類與擷取工作、大規模的螢幕截圖與文件理解，以及任何「6B 活躍參數模型、輸入價格只要三分之一」就會改變經濟可行性的場景。如果你特別想在 Qwen4 問世之前，先用自己的資料評估 Qwen4 架構，它也是正確的選擇——這正是這個預覽版存在的目的，而這是一個值得一試的理由，而不是一個值得投入承諾的理由。

規則很簡單：27B 是給瓶頸在於模型跑在哪裡的讀者，而 Flash-Next 是給瓶頸在於模型運行起來要花多少成本的讀者。很少有團隊同時有這兩個瓶頸，而他們真正有的那一個，通常一場會議就能決定這件事。

今天讓任一個運行起來

Qwen3.8-27B 是兩者中較容易上手的一個，而且同時有兩條路徑可走。你可以下載權重並在 Apache 2.0 授權下自行部署，或完全不碰加速器直接呼叫：它在我們的目錄中以 `qwen/qwen3.8-27b` 路由，價格為每百萬個 token 0.33 美元與 2.40 美元，而且 27B 是在我們自家的基礎設施上提供服務，而非從供應商端點代理轉發。第二條路徑正是它成為高流量多模態工作真正預設選擇的原因——它是可透過單一 OpenAI 相容端點存取的 200 多個模型之一，只需一組金鑰，無須簽署第二份合約。

Qwen3.8-Flash-Next 並非我們提供的路由。開放權重的預覽版本必須由你自行下載並部署服務，而它的取用途徑是透過 Hugging Face 與 ModelScope，而非經由 API。我們確實有提供路由的，是它的正式生產版本手足：Qwen3.8-Flash，`qwen/qwen3.8-flash`，每百萬個 token 分別為 $0.15 與 $0.47，支援文字、圖像與影片輸入，脈絡長度達 1M 個 token，價格依照供應商公布的定價表，因此阿里巴巴方面一旦調整費率，你的端點當天就會同步生效。如果你想要的是預覽版的架構，但不想要自行架設服務的工程，那就是目前最接近、且可直接呼叫的選擇。

對於想要兩者兼得的團隊而言，這樣的安排是流量拆分，而非二選一的決定。兩者都位於同一把金鑰與同一個 SDK 之後，因此可以讓一定比例的請求導向 27B，其餘則送往 Flash 端點，並由自動容錯移轉吸收任一方出狀況的時刻。比起任何基準測試表，這是回答這項比較更便宜的方式，因為它衡量的是你的流量，而不是別人的。

尚未確定的是，當這個系列完整推出時會發生什麼事。Qwen3.8-27B 是已完成、可授權、可下載的模型，不太可能在你使用期間於底層發生變動。Flash-Next 預覽版是某個架構的金絲雀，而該架構的正式模型尚未推出；伴隨它的已上線 Flash 變體，則被明確定位為該架構的官方版本。如果 Qwen4 系列遵循 Qwen3-Next 在 2025 年底立下的模式，預覽版的後繼者將在幾個月內問世，而這個頁面將成為關於一整個世代、而非關於一個預覽版的決定。

最常決定這個配對結果的關鍵事實是授權條款，而非基準測試：Apache 2.0 讓你可以在未經任何人同意的情況下，以 27B 打造事業，而 Qwen 社群授權條款 1.0 並未賦予你對預覽版這麼做的權利。這頁面上的其他一切——上下文視窗、混合注意力、視覺支援——兩者都相同。