Qwen 3.8-27B 开源发布！Apache 2.0 + 视觉理解 + 262K 上下文，Alibaba 这波太顶了！

admin@yesmiracle.net (万戈) — Sat, 15 Aug 2026 00:00:00 +0000

如果你的团队正在找一个能在本地部署的多模态模型——能看图片、能看视频、能写代码、能玩 Agent——而且还得是开放许可，不担心商用风险。那你今天要记住一个名字：Qwen3.8-27B。

昨天（2026 年 8 月 14 日 UTC 15:00），Alibaba 的 Qwen 团队在 Hugging Face 上正式发布了 Qwen3.8-27B 的权重文件。Apache 2.0 许可，27B 密集参数，262,144 tokens 原生上下文，自带视觉编码器，且支持视频理解。发布会当天社区评价出奇一致——「这是当前 30B 参数级别最令人信服的密集多模态本地可部署模型」。

Qwen3.8-27B 核心规格

先看硬指标：

维度	数值
参数量	27.78B（密集，非 MoE）
许可协议	Apache 2.0（开放权重）
上下文窗口	262,144 tokens 原生，可扩展至 1,000,000 tokens
最大输出	131,072 tokens
架构	Gated DeltaNet + Gated Attention 混合注意力（64 层中 48 层使用线性注意力）
视觉	原生图像 + 视频理解（Vision Encoder）
思考模式	默认开启，可调节 `reasoning_effort`（xhigh / medium / low）
猜测解码	内置 MTP（Multi-Token Prediction）draft head
推理格式	BF16 / FP8 官方，GGUF 第三方量化
部署	一块 Blackwell GPU 即可跑所有精度

这组数字里最让我兴奋的是架构。Qwen3.8-27B 用了 Gated DeltaNet 和 Gated Attention 的混合布局：64 层采用 3× (Gated DeltaNet → FFN) → 1× (Gated Attention → FFN) 的重复模式，每 4 层中 3 层是线性注意力。这意味着在 262K 超长上下文中，推理成本比纯 Softmax Attention 低得多。

Benchmark：全面碾压前代

Qwen 官方在模型卡中公布了一组详细的 Benchmark 对比数据，和自家前代 Qwen3.6-27B、同代 Qwen3.7-Plus、竞争对手 Muse Glimmer-30B 以及 Opus4.6 Max 做了横向对比。下面摘最关键的几项：

文本与编码能力

Benchmark	Qwen3.8-27B	Qwen3.6-27B	提升幅度
Terminal-Bench 2.1（终端 Agent 编码）	73.0	63.4	+9.6
SWE-bench Pro（软件工程）	61.7	53.5	+8.2
LiveCodeBench v6（竞技编码）	90.3	83.9	+6.4
DeepSWE 1.1（深度软件工程）	42.2	13.3	+28.9 🚀
NL2Repo-Bench（仓库级代码生成）	42.3	36.2	+6.1
QwenSWEBench（自研软件工程）	79.0	49.3	+29.7 🚀

DeepSWE 1.1 从 13.3 暴涨到 42.2——三倍提升。这不是渐进迭代，这是架构级的飞跃。QwenSWEBench 从 49.3 到 79.0 同样惊人。

Agent 与推理能力

Benchmark	Qwen3.8-27B	Qwen3.6-27B	提升幅度
CoWorkBench（长周期办公）	70.7	61.0	+9.7
JobBench（专业任务）	33.4	21.8	+11.6
Agents’ Last Exam Pass@1	20.4	10.6	+9.8 🚀
IFBench（指令遵循）	79.5	69.1	+10.4
GPQA Diamond（科学推理）	89.2	87.8	+1.4
HLE（多学科推理）	30.8	24.0	+6.8

Agents’ Last Exam 翻倍到 20.4%，IFBench 首次突破 79 分，这些指标对 Agent 开发者来说意义重大——模型越能精准理解指令和自主规划，越适合放入 Agent 循环。

多模态与计算机使用

Benchmark	Qwen3.8-27B	Qwen3.6-27B	提升幅度
OSWorld-Verified（计算机使用）	84.3	63.9	+20.4 🚀
WebArena-Verified（浏览器使用）	64.8	48.8	+16.0 🚀
AndroidWorld（移动端使用）	81.9	70.3	+11.6
SWE-MM（多模态软件工程）	38.6	25.7	+12.9
Vision2Web（视觉 Web 开发）	62.9	45.0	+17.9 🚀
MathVision w/o CI（视觉数学）	90.0	85.1	+4.9
RealWorldQA（真实世界感知）	85.9	84.1	+1.8
OmniDocBench 1.5（文档理解）	91.1	89.4	+1.7

OSWorld-Verified 从 63.9 到 84.3，WebArena 从 48.8 到 64.8——这意味着 Qwen3.8-27B 的「计算机视觉 + Agent 规划」能力已经接近甚至超越了一些大十倍的闭源模型。对一个能在本地部署的 27B 开源模型来说，这是恐怖级别的表现。

定价与部署：一块 Blackwell 就够了

在 OpenRouter 上，Qwen3.8-27B 的 API 定价已经公布：

项目	价格
输入 tokens	$0.45 / M tokens
输出 tokens	$3.20 / M tokens
上下文	262,144 tokens

对比一下昨天写的 Grok 4.6（$2/$8 每百万 tokens），Qwen3.8-27B 的 API 定价明显更低，而且还能自己部署——这是开源模型最大的优势。

vLLM Recipes 上已经有了完整的部署配置：H200 单卡 BF16 即可流畅推理，Blackwell B200 上一块 GPU 就能跑所有精度。NVFP4 量化仅需 24.6 GiB VRAM，在 1M 扩展上下文下还能容纳 6.6M KV tokens。

vllm serve Qwen/Qwen3.8-27B \
  --tensor-parallel-size 1 \
  --enable-auto-tool-choice \
  --tool-call-parser qwen3_coder \
  --reasoning-parser qwen3 \
  --mm-encoder-tp-mode data

支持框架包括 Hugging Face Transformers、vLLM ≥ 0.17.0、SGLang、TokenSpeed。GGUF 量化版本也已由社区提供，意味着 LM Studio、Ollama、llama.cpp 用户都能直接跑。

混合注意力架构：为什么这是关键创新

Qwen3.8-27B 最大的技术亮点不是参数数量，而是Gated DeltaNet + Gated Attention 混合架构。

传统 Transformer 的 Softmax Attention 在长上下文下成本呈二次增长。Gated DeltaNet 是一种线性注意力变体——它把注意力计算从 O(n²) 降到了 O(n)，同时用门控机制（Gating）保留了选择性遗忘/写入能力，避免纯线性注意力「什么都记、什么也记不好」的问题。

64 层中 48 层用 DeltaNet（线性）、16 层用 Gated Attention（标准），让模型在超长文档理解和精确信息检索之间取得平衡。不是「全都要」，而是「该快的快、该准的准」。

这种设计不是 Qwen 首创，但 Qwen3.8-27B 是第一个在 27B 开源多模态模型 上成功落地的。对开发者来说，这意味着你可以丢一整本书或者一整个代码仓库进去，而不必担心 64K 之后就开始遗忘。

写在最后

Qwen3.8-27B 的发布，让我想起了 2025 年初 DeepSeek V2 开源时的场景——一个「不够大但足够好」的开源模型，在关键能力上逼近甚至超越比自己大 10 倍以上的闭源模型。

Apache 2.0 许可消除了商用顾虑。一块 Blackwell GPU 就能全精度部署。262K 原生上下文让 Agent 开发者可以真正跑「读完整份代码库再改 bug」的任务。SWE-bench Pro 61.7 和 Terminal-Bench 73.0 的得分说明，它已经是一个合格的编码助手模型。

Alibaba 的 Qwen 团队在 Hugging Face 上已经积累了 97,300 粉丝，Qwen3.8-27B 发布 24 小时内获得 9,430 个赞。社区对它的热情不是没有道理的。如果你最近在选一个能本地部署的多模态模型——从 Agent 编程到文档分析到计算机自动化——Qwen3.8-27B 应该出现在你的候选列表的第一行。

📌 延伸阅读：Grok 4.6 横空出世！500K 上下文 + $2/百万 tokens — 闭源阵营的性价比反击，两篇一起读能看清 2026 下半年开源 vs 闭源的定价战全景。

视觉语言模型 on AI博士 万戈