Qwen3.8-27B开源，社区上线1小时更出百种版本

牛逼 Plus。 Qwen3.8-27B Dense 模型，千呼万唤，终于出来了。 上线不到 1 小时： 13 个 finetune 版本， 87 个量化版本。 社区是真的一点都等不了。😂 我已经准备直接部署测试了： 4090 48G × 2 VS NVIDIA Spark 重点测 Token 吞吐、首 Token 延迟、不同量化精度、长上下文，以及真实 Coding / Agent 任务表现。 Qwen3.8 这一代里最值得关注的模型！ 原因很简单： 27B，而且是 Dense。 什么叫 Dense？ Dense 就是「稠密模型」。 假设模型有 27B 参数，每生成一个 Token，基本都会经过这 27B 参数的计算。 也就是说： 27B Dense：27B 总参数，≈27B 激活。 ���和 MoE 最大的区别是： MoE 可能总共有几百 B、甚至几 T 参数，但每次只激活其中几个 Expert。 MoE 的好处是可以用巨大的总参数量去冲能力上限，但部署也会更复杂：Expert Routing、多卡通信、显存占用、推理框架适配，全都要考虑。 Dense 就简单粗暴得多。 模型多大，基本就跑多大。 而 27B 恰好是一个非常舒服的尺寸。 INT4 / AWQ / NVFP4 量化之后，模型权重理论上就十几 GB。 也就是说： 以前需要服务器才能获得的 Coding / Agent 能力，现在正在被塞进消费级显卡。 这才是这只 27B Dense 牛逼之处。 MoE 继续冲能力上限。 Dense 则在疯狂压低前沿模型的部署门槛。 今天太晚了，不然高低给他整一整： 两张 4090，甚至一台 Spark，到底已经能把本地 Agent 推到什么程度了。

刚刚，Qwen3.8-27B 正式开源。 相比 2.4T 参数的旗舰版本，27B 可能才是这次 Qwen3.8 系列里更值得关注的一款模型。 原因很直接：27B 一直是全球 AI 社区呼声最高的模型尺寸之一。 Qwen3.8-27B 采用 Dense 架构，原生支持图像和视频理解，上下文长度达到 262K Tokens，并可通过 YaRN 扩展至 1M Tokens，采用 Apache 2.0 License 开源。 更值得注意的是它的 Agent 和 Coding 成绩。 根据 @Alibaba_Qwen 官方公布的评测： SWE-bench Pro 达到 61.7，超过 Claude Opus 4.6 Max 的 53.4； LiveCodeBench v6 达到 90.3，超过 Opus 4.6 Max 的 88.8； CoWorkBench 达到 70.7，超过 Opus 4.6 Max 的 68.2； OSWorld-Verified 达到 84.3，明显超过 Opus 4.6 Max 的 72.7； AndroidWorld 达到 81.9，同样超过 Opus 4.6 Max 的 62.0。 此外，Qwen3.8-27B 在多个指标上也已经超过更大规模的 Qwen3.7-Plus。 当然，这并不意味着一个 27B 模型已经全面超过 Claude Opus 4.6。 在 Terminal Bench、GPQA Diamond、HLE 等测试中，Qwen3.8-27B 仍然落后于 Opus 4.6 Max。 过去主要集中在超大旗舰模型上的 Coding、Computer Use 和长程 Agent 能力，正在快速下沉到 27B 这一规模。 2.4T 模型代表能力上限，而 27B 模型决定这些能力能否真正进入个人工作站、企业私有化部署和大规模 Agent 产品。 这可能才是 Qwen3.8-27B 开源最重要的意义。