Xing 4.0 29B-A4B 對比 Qwen 3.8 27B：視覺對決工具呼叫

這兩個模型在規模上足夠接近，採購試算表會把它們放在同一列：Qwen 3.8 27B是阿里巴巴的稠密 27 億參數多模態模型，計入視覺塔則為 28B，於 2026 年 8 月以 Apache 2.0 授權釋出，具備 262,144 個原生位置以及原生圖像與影片輸入；Xing 4.0 29B-A4B則是中國電信的稀疏 29 億參數專家混合模型，每個 token 啟用 4B 參數，文字輸入、文字輸出，其權重於 2026 年 9 月 16 日公布，直到 10 月中旬才開放呼叫。兩者皆為 Apache 2.0，皆為開放權重，且兩者所報告的數字在一年前都會被視為前沿成果。然而，在任何真正重要的負載中，它們都不是彼此的替代品，原因就在各自規格中的一行：一邊是否有視覺塔，另一邊是否有工具呼叫迴圈。

尺寸差異比名稱所暗示的還小

• 命名 —「27B」是取整後的標示。一旦計入視覺編碼器，Qwen 儲存庫回報的 BF16 張量為 28B；文字主幹則為 27B，共 64 層、隱藏層大小為 5,120，詞彙表包含 248,320 個項目。

• Xing 的標示方式——「29B-A4B」是兩個數字，而非一個：總計 29B，其中 4B 為活躍參數。該儲存庫回報全精度張量為 31B。

• 你實際付出的是什麼 — Qwen 3.8 27B 是稠密模型，因此每個 token 都會執行全部 27B 參數。Xing 4.0 每個 token 只讀取 29B 中的 4B。在相同硬體與批次大小下，Xing 每個生成 token 的成本大幅降低，而 Qwen 的可預測性則高出許多。

• 上下文 — Qwen 3.8 27B 具備 262,144 個原生位置，可擴展至 1,000,000，建議上限為 262,144 個推理 token，最終回應則為 131,072。Xing 4.0 具備 256K，宣稱可擴展至 512K。在預設配置下兩者旗鼓相當；Qwen 所公佈的擴展幅度則是其兩倍。

架構：兩個彼此毫不相似的押注

Qwen 3.8 27B 建構於混合注意力配置之上——十六個區塊，每個區塊由三層 Gated DeltaNet 層接著一層完整的 Gated Attention 層組成，也就是線性注意力與二次注意力以三比一的比例分配——並以多個 MTP 步驟進行訓練。這個堆疊是稠密且以線性注意力為重的架構，這正是讓一個 27B 稠密模型能承載 262K 視窗，而不必付出標準 transformer 會產生的 KV 快取成本的原因。

Xing 4.0 29B-A4B 是 DeepSeek 系譜中的稀疏混合專家模型：全程採用 MLA 壓縮潛在注意力，64 個路由專家、每個 token 啟用 4 個，外加一個共享專家，以及流形約束的超連接殘差流——一種四流殘差佈局，服務框架需要為其客製化核心。它也是以 MTP 訓練的，因此兩個模型都在檢查點中自帶推測解碼頭，而不是另外提供獨立的草稿模型檔案。

對從業者而言，這個後果既不光鮮又很重要。Qwen 3.8 27B 是一個具有不尋常注意力機制的稠密模型，大多數服務堆疊只需適度的工作量就能處理。Xing 4.0 已確認支援的是 vLLM、SGLang 和 KTransformers，其中 SGLang 搭載了一個專為四流超連接佈局編寫的內核。客製化的殘差流設計第一次是一筆實實在在的整合成本，而且每當你量化、微調或更改批次形狀時都會再次出現。

每個模型實際上是用來做什麼的

至此，比較已不再是比較，因為這兩個模型並非為同一項任務而打造，而它們的基準測試表重疊程度也不足以矇混過關。

• 軟體工程 — Xing 4.0 在 SWE-bench Verified 拿下 75.00，對上 Qwen 3.8 27B 在 SWE-bench Pro 的 61.7。這是兩套不同的基準測試，所以單看兩者之間的落差本身毫無意義。真正能相提並論的是 Qwen 公布的 QwenSWEBench 79.0 與 DeepSWE 1.1 42.2，而 Xing 的規格表從未提到這些。

• 終端機與代理式程式設計 — Xing 4.0 Terminal-Bench 2.1 57.50，對上 Qwen 3.8 27B Terminal Bench 2.1（Terminus）73.0。相同的基準測試名稱，不同的測試框架細節，兩者皆為廠商自行提報。就公布的數據而言，Qwen 領先超過 15 分。

• 電腦操作與視覺語言代理 — Qwen 3.8 27B OSWorld-Verified 84.3、WebArena-Verified 64.8、AndroidWorld 81.9、MathVision 在無思維鏈下為 90.0、使用思維鏈時為 94.6、OmniDocBench 1.5 91.1、RealWorldQA 85.9。Xing 4.0 完全沒有多模態基準測試，因為它不具備多模態能力。這不是表格中的缺口；而是產品本身的缺口。

• 工具呼叫與長時程代理 — Xing 4.0 在 Claw-Eval 為 76.55、Tau3-Bench 為 64.63、DeepresearchBII 為 60.80。Qwen 3.8 27B 在 CoWorkBench 為 70.7，Agents' Last Exam 為 20.4 pass@1、42.9 分，JobBench 為 33.4。再次強調：不同的測試套件、彼此沒有重疊，無法進行比較。

• 一般推理與知識 — Qwen 3.8 27B 的 GPQA Diamond 為 89.2、HLE 為 30.8、LiveCodeBench v6 為 90.3、IFBench 為 79.5。Xing 4.0 的產品資訊卡在該清單上僅列出 IFBench 69.67 —— 落後 Q​wen 將近十分，而這也是兩家廠商都公布數據的唯一一項通用型項目。

把這些表格當成兩份不同的文件，分別談論兩個不同的產品。Qwen 的那份涵蓋一個多模態模型，透過截圖介面執行電腦操作工作。Xing 的那份則涵蓋一個文字模型，其打造目的是撐起漫長的工具呼叫迴圈。雙方真正正面交鋒的唯一一列——IFBench、指令遵循——由 Qwen 以 9.8 分之差勝出。

兩個採購來源，一個共同的但書

兩款模型都沒有獨立評估。Qwen 3.8 27B 的數字是 A​libaba 的，發布在模型卡上並附有測試框架設定；Xing 4.0 的數字則是中國電信的，也以同樣方式發布。在這兩種情況下，表格中的比較欄位都是自家實驗室自行重跑競爭對手模型的結果，而不是那些競爭對手所公布的數字——這種做法幾乎是普遍現象，每當廠商的表格顯示競爭對手慘敗時，都值得記住這一點。

Qwen 3.8 27B 確實有某樣 Xing 4.0 所欠缺的東西，而且那不是一個跑分項目：它公開亮相八週，其中包括一個社群 llama.cpp 移植版，據稱能在越獄後的 PlayStation 5 GPU 上以約每秒 20 個 token 的速度執行這些權重。這類第三方工作，是開放權重最接近獨立稽核的東西，而 Xing 4.0 到目前為止只經歷了一個月，其中大部分時間都花在 serving 框架的 pull request 上，而非評估。

費用、自行託管與計量計費

兩者皆為 Apache 2.0，因此下載價格為零，且雙方都維持為零。Qwen 3.8 27B 是稠密模型，需要一個 27B 稠密模型的記憶體，外加一座視覺塔；實務上的最低門檻是低精度下的 24GB 顯示卡，而全精度下載量為 55.6GB。Xing 4.0 的系列宣稱能在約 15GB 的 VRAM 中進行 4 位元量化——這項說法值得對照實際的 GGUF 檔案大小來查核，因為其全精度儲存庫在張量中回報的是 31B。

在按量計費這一側，Qwen 3.8 27B 是這裡實際上可以呼叫的模型。OrcaRouter 以每百萬輸入 token 0.33 美元的價格託管 qwen/qwen3.8-27b，而每百萬輸出為 2.40 美元；由於開放權重是在我們自己的基礎設施上提供服務，這就是為什麼那個價格得以維持，而供應商端對它做出的變更則不會有影響。Qwen 3.8 27B 也可透過我們目錄中的社群 FP8 部署，以每百萬 0.40 美元與 4.21 美元的價格取得，該部署讓視覺塔維持全精度——這是一個有用的提醒：同一個開放模型的兩筆上架項目並不是同一個產品。Xing 4.0 不在我們的目錄中，所以供應商自己的 API 和第三方平台才是你要找的地方，而我們不會假裝不是如此。

在這樣的比較裡，路由器真正有價值的地方在於決策本身。以 0% 加價在 200 多個模型前面放一套 API意味著嘗試挑戰者只是一條路由規則，而不是第二次整合；而自動容錯移轉意味著這場試驗永遠不會讓正式環境路徑承擔風險：主要模型負責回答，備援模型吸收主要模型漏接的任何內容，而整個實驗結束後就從設定中刪除。模型融合更進一步，當你不信任單一模型在某項任務上的信心時，它讓一組模型共同回答。

如何決定

採用 Qwen 3.8 27B，只要你的流程中涉及影像、螢幕截圖、掃描文件、影片影格或電腦操作迴圈。它是這兩者中唯一做得了這類工作的模型，其電腦操作基準測試成績是同量級中已發表的最強數據，而且現在就能以計量方式呼叫。在指令遵循方面，它也是更安全的預設選擇，而這正是面向客戶的流程中代價最高的失效模式。

選擇Xing 4.0 29B-A4B，前提是你的工作負載是純文字、你的工作負載是長時間的工具呼叫迴圈，而且你有能力自行驗證廠商的說法。每卡吞吐量的論點在紙上確實成立：29B 模型的記憶體佔用量，搭配 4B 模型的運算量，而且授權條款還是你的法務團隊早已熟悉的那一種。不確定性也同樣真實——沒有獨立評估、沒有公布一般推理項目的結果，而且在兩家實驗室都選擇報告的唯一一項基準上，它的指令遵循分數落後競爭對手將近十分。

對大多數團隊來說，答案根本不是一道選擇題。Qwen 3.8 27B 處理一切涉及圖片或螢幕的內容；Xing 4.0 則負責純文字的代理迴圈，在那裡，每個 token 的運算量才是限制所在。把兩者都跑在同一個端點上，比根據雙方廠商都未公布過的證據在兩者之間做抉擇來得便宜，而對 Xing 4.0 的首次獨立評估，正是能讓這件事變成真正比較、而非只是羅列各實驗室選擇衡量哪些項目的事件。

這些都不是假設：像這次發布這類版本背後那些有紀錄的 AI 失效與代理事件，全都收錄在OrcaRouter AI Incident Archive，其中每筆條目都附有自己的來源、嚴重程度、信心等級與爭議標記。