Qwen3.8-27B 是什麼？一張 24GB 顯示卡跑的多模態模型，電腦操作 84.3 分反超雲端旗艦（2026）

最後更新：2026 年 8 月 16 日（發布後 48 小時內寫成，數據以官方 model card 為準）

8 月 14 日，阿里通義把 Qwen3.8-27B 的權重放上 Hugging Face。不到三天，下載量衝破 9.1 萬次，社群做出的量化版本已經超過 350 個。

一句話結論：Qwen3.8-27B 是阿里 8 月 14 日開源的 27.78B 多模態模型（Apache 2.0 可商用），電腦操作測試 OSWorld 拿 84.3 分、反超部分雲端旗艦；4-bit 量化後一張 24GB 顯示卡跑得動，是目前 30B 級最有說服力的本地 agent 模型。

Qwen3.8-27B 是什麼？和 Qwen3.8-Max 是同一隻嗎？

先答後半：不是同一隻，差很遠。上星期我們寫過的 Qwen3.8-Max 是 2.4 兆參數的 MoE 旗艦，定位是跟 GPT、Claude 打對台的雲端大腦。這篇講的 Qwen3.8-27B 是同一代的「可下載版」：27.78B 參數的 dense 模型（Hugging Face 顯示 28B），看得懂文字、圖片和視頻，原生 262,144 token 上下文，可以用 YaRN 撐到 100 萬。授權是 Apache 2.0，下載、改、商用都不用問人。

兩個名字只差一個尾綴，Google 卻會把它們當同一件事。你搜「Qwen3.8」看到的評測，動筆前先確認講的是哪一隻。

技術上值得記一筆的是架構：64 層裡混合了 Gated DeltaNet 線性注意力和門控注意力，再加 MTP 多 token 預測。白話翻譯：這個設計是衝著「跑得快、context 拉得長」去的，跟傳統 Transformer 全程算全注意力的做法不同。思考模式預設開啟，可以用 reasoning_effort 三檔（xhigh／medium／low）控制想多深，也可以整個關掉直接答。

官方成績單裡，哪幾個數字真的重要？

重要的是 agent 那三行：電腦操作、瀏覽器操作、軟件工程。這是 27B 對上一代跳幅最大、也是對上雲端旗艦最敢叫陣的地方。以下數字全部來自官方 model card（截至 2026 年 8 月）：

測試項目	Qwen3.8-27B	前代 Qwen3.6-27B	Opus4.6 Max（雲端旗艦）	Muse Glimmer-30B（Meta 開源）
OSWorld-Verified（電腦操作）	84.3	63.9	72.7	65.9
AndroidWorld（手機操作）	81.9	70.3	62.0	—
SWE-bench Pro（軟件工程）	61.7	53.5	53.4	51.2
DeepSWE 1.1（agent 編程）	42.2	13.3	—	—
Terminal-Bench 2.1（終端編程）	73.0	63.4	78.2	51.7
GPQA Diamond（科學推理）	89.2	87.8	91.3	83.5

三個解讀。第一，DeepSWE 從 13.3 跳到 42.2，是三倍多，這種跳幅通常代表訓練方法換了打法，不只是加料。第二，OSWorld 的 84.3 分贏過表上那隻雲端旗艦的 72.7，一個下載得到的 27B 模型在「操作電腦」這件事上反超收費模型，2026 年之前這句話寫出來會被當標題黨。第三，別只看贏的：GPQA、HLE（30.8 對 40.0）這類知識推理題，27B 還是輸給旗艦一截，Terminal-Bench 也還差 5 分。它是專科生，不是全科狀元。

口徑提醒：這是官方自家評測，部分基準（SWE-bench Pro、NL2Repo）是廠方用 Claude Code harness 重跑並修正過題目的版本，跟原榜不完全可比。第三方複測還在陸續出爐，這份成績單看趨勢就好，絕對值先別背。

一張 24GB 顯示卡真的跑得動嗎？

量化版可以，全精度不行。這裡把帳算清楚：27.78B 參數的 BF16 全精度權重約 56GB，那是工作站級顯卡的地盤。但 Hugging Face 上社群量化版已經有 356 個，4-bit 版本的權重落在 16GB 上下，加上視覺編碼器和 KV cache，一張 24GB 的 RTX 3090 或 4090 跑短中等 context 有餘裕。想吃盡 262K 長上下文或者堅持高精度，再考慮 48GB 級或多卡。以上是第三方實測加參數估算的口徑，你的機器最終以實跑為準。

部署工具鏈不用自己發明：llama.cpp、Ollama、LM Studio 都已經有對應的量化格式可直接拉。沒玩過本地模型的話，先看我們寫過的 LM Studio 新手教學或 Ollama 一行指令跑 LLM，流程一模一樣，換個模型名而已。

拿它來做什麼最值？

吃畫面的 agent 任務。這隻模型的分數分布已經把答案寫出來了：它最強的地方全部是「看著螢幕做事」的環節。三個具體場景：

1. 桌面流程自動化：OSWorld 84.3 的意思是，給它看螢幕截圖、讓它點按鍵盤滑鼠完成指定任務，它的完成率已經超過多數雲端模型。重複性的報表、檔案整理、後台操作，是第一批用得上的活。
2. 長文件和視頻理解：原生 262K context，官方說明支援到「小時級」視頻輸入。開會錄影、教學影片、上百頁 PDF，餵進去問問題，全程不出你的電腦。
3. 本地 coding agent：官方直接用 Claude Code harness 跑評測，意思是你可以把它接進現成的 coding agent 工具鏈當引擎，DeepSWE 42.2 的分數在開源模型裡屬第一梯隊。

想現在就動手，最短路徑三步：

1. 裝 Ollama 或 LM Studio（免費，五分鐘）；
2. 搜「Qwen3.8-27B」拉一個 4-bit 量化版（注意選 27B，不要拉錯 Max 相關衍生物）；
3. 要接工具或寫程式用，再用 vLLM 或 SGLang 起一個本地 API（OpenAI 相容格式，官方 model card 有現成指令）。

跟 Muse Glimmer-30B 比，開源 30B 級該選哪個？

agent 用途選 Qwen3.8-27B，沒什麼懸念。Meta 上星期才送出 Muse Glimmer 30B 權重，兩隻放在一起就是 2026 年 8 月開源 30B 級的正面對決：電腦操作 84.3 對 65.9，終端編程 73.0 對 51.7，科學推理 89.2 對 83.5，都是 Qwen 贏。Glimmer 目前的相對優勢在生態（Meta 系工具鏈）和部分寫作風格偏好，如果你的用途是純文字創作，兩隻都試過再定。順帶一提，這個級距的另一個極端是 14MB 的 Needle 2：一邊是 27B 的全能 agent，一邊是手錶都跑得動的微型 tool-calling，2026 年的本地 AI 光譜兩端都在拉開。

適用對照一句版：做桌面／手機自動化選 Qwen3.8-27B；重知識推理的研究型工作仍然是雲端旗艦的地盤；只想聊天問問題，其實不用折騰本地部署。

對想靠 AI 省錢賺錢的人，實際影響是什麼？

省的部分好算：agent 工作流最燒 token，因為它是連續幾百步的操作循環。同樣的流程搬回本地跑，帳單從「每月付」變成「一次性硬件投入」，跑得愈密回本愈快。一張二手 3090 的價錢，對照你現在每月的 API 帳單，自己按得出回本週期。

賺的部分是新開的門：醫療、法律、會計這類客戶想要自動化，但資料不能出機房，雲端 API 直接出局。一個能在客戶自己電腦上跑、還會操作螢幕的開源模型，就是接這類案子的敲門磚。Apache 2.0 授權意味著你拿它做成服務賣，法律上乾乾淨淨。

風險與限制，先講清楚

• 成績單是官方自評，複測生態還沒跟上，數字看趨勢別背絕對值；
• 知識推理和長難題（GPQA、HLE）明確輸旗艦，拿它寫深度研究會失望；
• 本地部署有學習成本，量化選錯、參數亂調，體感會比帳面差很多；
• 27B 級的幻覺沒有消失，關鍵輸出照樣要人工核；
• 官方託管版（Qwen Cloud，預設 1M context）還沒上線，想省事等 API 的人要再等等。

FAQ：關於 Qwen3.8-27B 的快問快答

Qwen3.8-27B 免費嗎？可以商用嗎？

權重免費下載，授權 Apache 2.0，可以商用、可以改、可以拿去做產品，不需要另外授權。要花錢的只有你的硬件和電費；之後上線的官方 API 託管版另計。

它和 Qwen3.8-Max 差在哪？

Max 是 2.4 兆參數的 MoE 雲端旗艦，27B 是同代的 dense 可下載版。一個住在數據中心，一個住在你的顯示卡裡。兩隻都叫 Qwen3.8，看評測時先確認講的是哪隻。

最低需要什麼硬件？

主流甜蜜點是 24GB VRAM（RTX 3090／4090）跑 4-bit 量化版。16GB 塞得進但很緊，全精度 BF16 約需 56GB。用上面的自查器對一下你的卡。

它比 ChatGPT、Claude 強嗎？

單看電腦操作類測試（OSWorld、AndroidWorld），官方數據贏過部分雲端旗艦；知識推理類仍然輸。準確的說法是：它是目前最能打的「本地 agent 執行器」之一，取代不了雲端旗艦的全科能力。

新手行動清單

• ☑ 用文中的自查器對一下你的 VRAM，確認能跑哪一檔量化；
• ☑ 裝 Ollama 或 LM Studio，拉 4-bit 版跑第一個對話；
• ☑ 丟一張截圖或一段短視頻進去，試它的多模態理解；
• ☑ 有 coding 需求的，接上你現有的 agent 工具鏈跑一個小任務對比雲端；
• ☑ 把你每月 API 帳單和一張 24GB 卡的價錢放在一起，算回本週期。

延伸閱讀

• Qwen3.8-Max 是什麼？AI 連續寫 16 天程式交出 265 個 commit
• Meta 免費送出 Muse Glimmer 30B 權重，AI 開源已分兩條路
• Needle 2 只有 14MB，主榜卻排第三
• LM Studio：新手最友善的本地 LLM 工具

參考資料

• Qwen/Qwen3.8-27B 官方 model card（Hugging Face）
• Qwen3.8 官方發布說明（Qwen Team）
• Qwen3.8-27B 硬件需求第三方分析（kingy.ai）
• Qwen3.8-27B 技術分析（Local AI Zone）

免責聲明：本文為資訊整理與個人使用心得分享，非投資建議。AI 模型的評測數據、硬件需求與授權條款可能隨版本更新而變動，請以官方最新公告為準。文中提及的硬件購置與部署決策，請依自身需求與預算評估。