AI 快讯 | 阿里 Qwen3.8-27B 开源发布：270 亿参数原生多模态，单 GPU 可跑，逼近前沿

文档资源
,
1

:fire: 阿里放大招！Qwen3.8-27B 开源发布：270 亿参数原生多模态，本地可跑，单 GPU 部署，强到让同级闭源模型汗颜！

阿里 Qwen 团队于 2026 年 8 月 14 日（UTC 15:00）正式开源了 Qwen3.8-27B——这是与 Qwen3.8-Max 同期发布的紧凑稠密模型，定位为「本地可跑的多模态旗舰」，已经在 Hugging Face、ModelScope 上以 Apache 2.0 协议开源。

Qwen3.8-27B 概览图（来自 Yotta Labs 评测）
Qwen3.8-27B 概览图（来自 Yotta Labs 评测）1200×627 104 KB

:key: 一句话核心

Qwen3.8-27B 是阿里 Qwen 团队新推出的 270 亿参数稠密多模态模型——原生支持图像和视频理解，具备灵活思考控制，Apache 2.0 开源权重，定位为「本地可跑的多模态旗舰」。

:building_construction: 架构与参数介绍

基础规格

规格项 参数
发布方 阿里 Qwen 团队
发布时间 2026-08-14 (15:00 UTC)
模型类型 稠密 (Dense) 视觉语言模型
精确参数量 27,781,427,952 (≈ 27.78B)
总层数 64 层 (48 Gated DeltaNet + 16 全注意力)
隐藏维度 5,120
FFN 维度 17,408
全注意力头 24 Q 头 / 4 KV 头 / head dim 256
线性注意力头 48 V 头 / 16 QK 头 / head dim 128
词表大小 248,320
原生上下文 262,144 tokens (256K)
扩展上下文 1,000,000 tokens (YaRN)
视觉编码器 27 层，width 1,152，16 头
思考模式 默认开启
思考档位 xhigh (默认) / medium / low
MTP 支持多 token 预测
官方权重 BF16 / 块式 FP8
官方推理框架 Transformers / vLLM / SGLang / TokenSpeed
许可证 Apache 2.0

架构亮点：混合解码器

Qwen3.8-27B 采用混合解码器（不是传统全注意力 Transformer），其 64 层语言层每 16 层重复一个模式：

  • 3 层 Gated DeltaNet 线性注意力 + FFN
  • 1 层 GQA 全注意力 + FFN

:pushpin: 这种设计让序列处理保持高效，同时定期使用全注意力恢复更丰富的 token 交互。只有 16 层构建传统 KV 缓存，显著降低显存占用。

与前代 Qwen3.6-27B 的关系

Qwen3.8-27B 与 Qwen3.6-27B 的解码器规格几乎完全相同——层数、隐藏维度、FFN 宽度、头布局、原生上下文都没变。性能飞跃主要来自不同的训练数据、训练策略、后训练方法，以及推理和 Agent 行为的变化。

:bar_chart: 官方 Benchmark 数据

数据来源：Qwen/Qwen3.8-27B 官方 HF 模型卡

文本、编程与 Agent 能力

评测集 Qwen3.8-27B Qwen3.6-27B Qwen3.7-Plus Muse Glimmer-30B Opus 4.6 Max
Terminal-Bench 2.1 73.0 63.4 64.0 51.7 78.2
SWE-bench Pro 61.7 53.5 57.6 51.2 53.4†
NL2Repo-Bench 42.3 36.2 41.1 – 47.6
DeepSWE 1.1 42.2 13.3 14.2 – –
QwenSWEBench 79.0 49.3 59.2 – 63.8
CoWorkBench 70.7 61.0 65.1 – 68.2
JobBench 33.4 21.8 27.6 – –
Agents’ Last Exam (Pass@1 / Score) 20.4 / 42.9 10.6 / 27.3 13.2 / 33.6 – –
IFBench 79.5 69.1 79.1 77.0 62.5
GPQA Diamond 89.2 87.8 90.3 83.5 91.3
Humanity’s Last Exam 30.8 24.0 34.7 22.0 40.0
LiveCodeBench v6 90.3 83.9 89.6 – 88.8

:pushpin: 代际提升非常明显：相比 Qwen3.6-27B，DeepSWE 提升 28.9 分、QwenSWEBench 提升 29.7 分、Terminal-Bench 2.1 提升 9.6 分。

多模态与计算机使用能力

评测集 Qwen3.8-27B Qwen3.6-27B Qwen3.7-Plus Muse Glimmer-30B Opus 4.6 Max
OSWorld-Verified 84.3 63.9 73.3 65.9 72.7
WebArena-Verified 64.8 48.8 55.3 – –
AndroidWorld 81.9 70.3 81.0 – 62.0
RecreationBench 47.1 29.8 30.2 – –
ClawEval-MM (Pass@3 / Avg) 57.4 / 56.9 42.6 / 50.4 57.4 / 60.1 – 52.5 / 54.7
SWE-MM 38.6 25.7 30.0 – 27.1
Vision2Web 62.9 45.0 42.1 – –
MathVision (无 / 有 CI) 90.0 / 94.6 85.1 / – 90.3 / – – 65.5 / –
BabyVision (无 / 有 CI) 65.7 / 85.6 28.9 / – 64.7 / 70.4 – 12.6 / –
CharXiv RQ (无 / 有 CI) 83.7 / 90.2 78.4 / – 85.8 / 85.9 78.8 66.0 / –
OmniDocBench 1.5 91.1 89.4 91.4 75.8 86.6
RealWorldQA 85.9 84.1 86.9 – 73.9
ERQA 65.5 62.5 69.8 – 40.8

:pushpin: 多模态 Agent 优势显著：OSWorld 提升 20.4 分、WebArena 提升 16.0 分、Vision2Web 提升 17.9 分——在「操作界面」「视觉上下文构建软件」等混合 Agent 任务上达到或超越 Opus 4.6 Max。

第三方独立评分

数据来源：Artificial Analysis Intelligence Index（第三方独立基准）

Artificial Analysis Intelligence Index（Qwen3.8-27B 在独立基准中的位置）
Artificial Analysis Intelligence Index（Qwen3.8-27B 在独立基准中的位置）2048×980 170 KB

Artificial Analysis 把 Qwen3.8-27B 评为 Intelligence Index = 52，与 GPT-5.6 Luna（max）持平，仅落后 GLM-5.2（max）和 DeepSeek V4 Pro（max）各 1 分——而这两者都是数千亿参数的 MoE 模型。

:test_tube: 独立测评

1. MS Paint macOS 重建（来源：YouTube @Pavlo Khmel HPC）

测试：用单条 prompt 让 Qwen3.8-27B-FP8 创建 macOS 原生版本 MS Paint。

结果：:white_check_mark: 完全可用

  • 画笔、颜色、大小、形状全部正常
  • 撤销/重做、填充、保存/另存为都工作
  • 整体水平与 GLM 5.2 不相上下
  • 即使是 27B FP8 量化版本也能完成这种复杂桌面应用开发

2. RTX 5090 本地跑分（来源：Alex Finn @ X）

测试：在 RTX 5090（32GB）上跑 Qwen3.8-27B，与 Opus 4.8 / Opus 4.6 对比。

结果：

  • 本地超过 Opus 4.8（Alex Finn 自己的基准）
  • 略输 Opus 4.6
  • 速度最高 200 tokens/秒
  • 单卡即可提供 Opus 4.8 级别智能

来源：@AlexFinn on X — 2,254 赞，146 转发

Alibaba_Qwen 官方回复：「看到 27B 稠密模型在单卡 5090 上提供前沿智能，令人惊叹。」

3. M5 Max MacBook Pro 实测（来源：@TeksEdge @ X）

测试：在 Apple M5 Max（统一内存）上通过 oMLX + DFlash 2 跑 Qwen3.8-27B-4bit。

结果：

  • ~70 tokens/秒 输出速度
  • 使用 DFlash 2 投机解码，在保持目标模型输出的同时显著加速
  • 苹果生态用户已可通过 oMLX 直接运行

4. 显存占用实测（来源：@CMay @ Hacker News）

测试：在 RTX 4090（24GB）上用 Q4_K_M 量化跑 Qwen3.8-27B。

结果：

  • 32K 上下文约占用 2.5GB VRAM
  • 比 Gemma 4 31B 显存效率略低，但智能密度更高
  • 单卡 24GB 可用，但不能跑满 256K 原生上下文

5. Kingy AI 全面评测（来源：kingy.ai）

Northflank 性能概览（专门讲 Qwen3.8-27B 的部署与性能）
Northflank 性能概览（专门讲 Qwen3.8-27B 的部署与性能）1406×791 122 KB

结论：Qwen3.8-27B 在 24GB 显卡上以量化版运行时表现稳定，但单卡跑满 256K 上下文需要权衡；建议多卡或高端卡用于大上下文场景。Northflank 实测在 SGLang 上的部署配置供参考。

6. 跨模型对比（综合数据）

评测集 Qwen3.8-27B DeepSeek V4 Flash GPT-5.6 Sol Claude Opus 4.8
Terminal-Bench 2.1 73.0 82.7 88.8 78.9
DeepSWE 1.1 42.2 54.4 72.7 59.0
SWE-bench Pro 61.7 - 64.6 Opus 5: 79.2
GPQA Diamond 89.2 - 94.6 92.0

:pushpin: Qwen3.8-27B 对 27B 尺寸而言已经非常接近前沿，但在最难的长程任务上仍被顶级闭源模型压制。考虑到 27B 本地可跑、Apache 2.0 开源，这个成绩相当惊艳。

:money_bag: 价格详情

OpenRouter API 定价

项目 价格（每百万 token）
输入 $0.35
输出 $2.75
上下文窗口 1M
上线时间 2026-08-14

数据来源：OpenRouter Qwen3.8-27B 页面 — 累计已处理 134B tokens

与同类对比

模型 部署方式 输入价格 输出价格
Qwen3.8-27B 本地或 OpenRouter $0.35 $2.75
Qwen3.8-Max Qwen Cloud API $2.00 $6.00

:light_bulb: 性价比炸裂：Qwen3.8-27B 在 OpenRouter 上的价格仅为 Qwen3.8-Max 的 17%，但能覆盖大部分 Agent 任务。

:vs_button: 与竞品对比

同尺寸开源模型对比

模型 架构 模态 上下文 许可证 实用定位
Qwen3.8-27B 27.78B 稠密混合 文/图/视频 262K 原生 / 1M YaRN Apache 2.0 同尺寸新王者，官方 BF16/FP8
Qwen3.6-27B ~27.8B 稠密 文/图/视频 262K 原生 Apache 2.0 直接前代，量化生态成熟
Muse Glimmer-30B ~29.6B 稠密 文/图 131K+ Apache 2.0 最接近的尺寸对标
Gemma 4 31B ~31B 稠密 文/图 256K Apache 2.0 Google 阵营对标
Mistral Small 4 119B 总参 / 6.5B 激活 MoE 文/图 256K Apache 2.0 活跃参数少但存储大（~71GB）
DeepSeek V4 Flash 284B 总参 / 13B 激活 MoE 文 1M MIT 编程强但 ~149GB 显存

关键差异

:pushpin: Qwen3.8-27B 定位：在不依赖数据中心级硬件的前提下，提供接近前沿的多模态能力，特别适合本地编码 Agent、文档分析、私人研究、多模态自动化等场景。

:warning: 关键提醒：「开源权重」≠「完全开源」。Qwen3.8-27B 仅发布权重，训练数据和完整训练 recipe 仍未公开。

:light_bulb: 适用场景

  1. 本地编码 Agent：在 RTX 4090/5090 上 4-bit 量化即可运行，适合私有代码助手
  2. 多模态文档分析：支持长文档、图表、视频理解，可用于财报审阅、学术论文解析
  3. GUI 操作自动化：OSWorld/WebArena 表现强，可做浏览器/桌面自动化
  4. 研究工作流：长上下文 + 思考控制 + Agent 能力，适合研究助理
  5. 企业内部部署：Apache 2.0 允许商用，可私有化部署
  6. 离线/隐私场景：本地运行，数据不出本地
  7. Mac 用户：通过 MLX + DFlash 2 在 Apple Silicon 上也能跑

:desktop_computer: 本地部署硬件需求

精度 权重占用 实际推荐配置
BF16 官方 51.76 GiB 80GB 级别 (H100 / H200 / RTX Pro 6000)
FP8 官方 28.76 GiB 48GB 级别 (RTX 4090 双卡 / A6000)
Q4_K_M GGUF (第三方) 15.93 GiB 24GB 级别 (RTX 4090)
Q6_K GGUF (第三方) 21.31 GiB 32GB+
IQ4_XS 量化 (Unsloth) 14.6 GB 8GB VRAM + 64K 上下文 (RTX 4060)

:warning: 重要提示：「17GB 可跑」≠「17GB 可跑满 256K 上下文」。权重占用只是开始，KV 缓存、激活值、视觉处理、CUDA 缓冲区等都会占显存。原生 262K 上下文的全注意力 KV 缓存就达约 16 GiB。

:package: 部署与调用

官方推荐路径

框架 用途
Transformers 推理、实验
vLLM 高性能生产部署
SGLang 复杂 Agent 工作流
TokenSpeed 优化推理
llama.cpp Mac / Linux 本地运行
Ollama 一键启动
LM Studio 桌面端运行
oMLX (MLX) Apple Silicon

思考档位选择

档位 适用场景 权衡
low 快速、有限任务 分析少可能增加失败和重试
medium 平衡默认 需具体评估
xhigh 复杂编码、研究、长程任务 默认档位，延迟和 token 消耗最高

:warning: 关键警告：Qwen3.8-27B 默认开启思考档位 xhigh，会消耗大量 token 处理简单请求。首次使用强烈建议手动调整为 medium 或 low，否则会快速烧光 token 预算。

温度参数

  • 思考模式：temperature=1.0，top_p=0.95
  • 非思考模式：temperature=0.7，top_p=0.8，presence_penalty=1.5

:warning: 注意事项

  • 官方 BF16/FP8 权重不含 GGUF：工作站友好的 GGUF 是第三方转换（Unsloth 等）
  • 24GB GPU 不能跑满 256K 上下文：必须权衡权重量化精度和上下文长度
  • Qwen Cloud 托管版尚未上线：官方 API 即将推出
  • 「1M 上下文」是 YaRN 扩展，不是原生支持；启用扩展可能在短上下文上降低性能
  • 训练数据、知识截止日期、后训练 recipe 暂未公开
  • 不是所有场景都适合：HN 社区反馈显示 Qwen 3.8 27B 倾向"过思考"（overthinking），低推理档位下偶有质量问题，建议根据任务选档

:bullseye: 总结

Qwen3.8-27B 是当前最强本地可跑的多模态模型之一——270 亿参数稠密架构，原生视觉语言支持，Apache 2.0 完全商用授权，单 GPU 可部署。在编码 Agent、GUI 自动化、长程任务上达到或超过 Opus 4.6 Max。

适合以下场景：

  • 想要本地跑、又要多模态能力
  • 需要 Apache 2.0 商用
  • 单 GPU（24GB+）可部署
  • 编码 / Agent / 文档分析工作流

下载链接：Qwen/Qwen3.8-27B on Hugging Face

模型博客：Qwen3.8-Max: A New Bar for Coding and Cowork（注：博客讲的是 Max 模型，27B 数据在 HF 模型卡上）

第三方独立评测：Artificial Analysis | Kingy AI 评测 | Yotta Labs 评测 | Northflank 评测

社区讨论：HF Discussions | HN 讨论 | @AlexFinn on X