# Qwen 團隊開放 Qwen3.8-2.4T-A95B 權重，支援 Agent 自主完成長流程開發與研究工作

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 原作者：ModelScope (@ModelScope2022) · 策展與摘要：EasyVibeCoding · 平台：X (Twitter) · 熱度：🔥🔥🔥🔥 · 日期：2026-08-13

> 原始來源：https://x.com/ModelScope2022/status/2087557006030995688

## 證據與延伸閱讀

- [Qwen 團隊開放 Qwen3.8-2.4T-A95B 權重，支援 Agent 自主完成長流程開發與研究工作。](https://x.com/ModelScope2022/status/2087557006030995688)
- [支援1M token context與平行tool calls](https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B) — 官方文件
- [Qwen3.8-2.4T-A95B為hybrid-attention MoE模型](https://nvda.ws/3S7tAHR) — 官方文件
- [TerminalBench等基準測試數據](https://x.com/SiliconFlowAI/status/2087911506113683756)
- [Fireworks與SiliconFlow提供支援與定價](https://x.com/FireworksAI_HQ/status/2087578149915914727)
- [NVIDIA GB300 NVL72效能與規格](https://x.com/NVIDIAAP/status/2087739202398023937)

## 中文摘要

Qwen 團隊開放 Qwen3.8-2.4T-A95B 權重，支援 Agent 自主完成長流程開發與研究工作。

這款模型總參數達 2.4T、每個 token 約啟用 95B，並提供可調整的 reasoning、平行 tool calls 與最長 1M context。

**模型能力** ModelScope 將 Qwen3.8-Max 定位為 Qwen 迄今最大規模的 open-weight 模型，並列出多項自主工作成果：

- 在無人值守狀態下連續開發超過 10 天，從零打造可自我演進的 harness。
- 重現一篇研究論文後，執行 125 小時的 autonomous loop，並取得優於該論文結果的表現。
- 將晶片設計流程從 RTL 推進到 layout，宣稱將 die area 降低 81%。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/12f001a3cebf11af.jpg)
> 來源：[@SiliconFlowAI](https://x.com/SiliconFlowAI/status/2087912010407415871)（回覆）｜Qwen 3.8 Max 在 PaperBench（93.0）、ERQA（77.8）、PerceptionBench（63.5）、LVBench（81.8）與 OSWorld-Verified（86.1）等多項 Agent 評測中取得領先，而在 SWE-Pro 與 MobileWorld 則由 Fable5 取得最高分。

Qwen3.8-2.4T-A95B 的評測結果也集中在 Agent 實際工作負載：TerminalBench 2.1 為 86.6、PaperBench 為 93.0、CoWorkBench 為 74.8，OSWorld-Verified 則為 86.1。這些數字反映其目標不只是回答問題，而是處理 coding、研究與多步驟操作。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/f4a5cc8c80f74480.jpg)
> Qwen 3.8 Max 在 PaperBench (93.0)、OSWorld-Verified (86.1) 與 ERQA (77.8) 等多項基準測試取得領先，但在 SWE-Pro (67.7) 與 MobileWorld (77.8) 等項目落後於 Fable5。

**架構設計** Hugging Face 模型文件指出，Qwen3.8-2.4T-A95B 採用混合 attention 的 Mixture-of-Experts（MoE）架構，共 92 層，其中 69 層使用 linear attention、23 層使用 full attention；模型配置 512 個 routed experts，每個 token 啟用 10 個，另有一個 shared expert。原生 context window 為 262K，可延伸至 1M，輸出長度最高 128K。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/80041f28364c75ca.jpg)
> 來源：[@ClementDelangue](https://x.com/ClementDelangue/status/2087562019788697818)（回覆）｜Hugging Face 網站介面上 Qwen3.8-2.4T-A95B 模型頁面的標題與標籤區塊，顯示模型名稱、like 數與追蹤數，下方排列有 Text Generation、Transformers、Safetensors 等標籤。

這種設計是為了處理 Agent 工作流程持續累積的系統指示、工具輸出、檢索文件、程式碼、事件紀錄與推理軌跡。full attention 讓模型完整比較 token 關係，linear attention 則以受限的 recurrent state 取代持續增長的 KV cache，藉此控制長 context 下的計算量與記憶體需求。內建的 reasoning 控制提供 `low`、`high`、`xhigh` 三種層級，開發者可依任務在推理品質與吞吐量之間取捨。

**部署與供應** Qwen3.8-2.4T-A95B 已同步在 Fireworks 與 SiliconFlow 提供服務，可從 [Fireworks](https://fireworks.ai/models/fireworks/qwen3p8-max) 開始建置。SiliconFlow 公布的價格為每 1M tokens：輸入 2 美元、輸出 6 美元、快取輸入 0.25 美元；模型頁面可從 [SiliconFlow](https://cloud.siliconflow.com/me/models) 試用。模型權重則可從 [ModelScope](https://modelscope.ai/models/Qwen/Qwen3.8-2.4T-A95B) 或 [Hugging Face](https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B) 取得。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/0482b2539b5eea73.jpg)
> 來源：[@FireworksAI_HQ](https://x.com/FireworksAI_HQ/status/2087578149915914727)（回覆）｜Fireworks 與 Qwen 的雙方品牌識別標誌並列，左側為紫色 Fireworks 字樣與圖示，右側為藍色 Qwen 字樣與圖示，中間有一道垂直分隔線，背景為白底帶有淡紫色漸層。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/efbefc9e363a40db.jpg)
> 來源：[@SiliconFlowAI](https://x.com/SiliconFlowAI/status/2087911506113683756)（回覆）｜SiliconFlow 宣布 Day-0 支援 Qwen3.8-2.4T-A95B，並開放模型上線使用，淡紫色漸層背景中央醒目顯示藍紫色的大標題與網站網址。

**硬體效能** NVIDIA 表示，Qwen3.8-2.4T-A95B 在 NVIDIA GB300 NVL72、FP8 精度下，不需額外模型調校即可達到每張 GPU 超過 4K tokens/秒、每位使用者超過 350 tokens/秒。GB300 NVL72 將 72 張 NVIDIA Blackwell Ultra GPU 整合在同一平台，並透過 130 TB/s 的 NVIDIA NVLink 網域支援專家模型所需的高速互連；NVIDIA 也預期後續採用 NVFP4 精度後，效能仍可提升。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/4486c45592cd41dd.jpg)
> 來源：[@NVIDIAAP](https://x.com/NVIDIAAP/status/2087739202398023937)（回覆）｜Qwen3.8-2.4T-A95B 在 NVIDIA GB300 NVL72 上展示吞吐量與每使用者 TPS（互動性）的權衡關係，最高吞吐量達到每 GPU 4,200 TPS。

## 媒體內容

**Qwen 3.8 Max 在 PaperBench (93.0)、OSWorld-Verified (86.1) 與 ERQA (77.8) 等多項基準測試取得領先，但在 SWE-Pro (67.7) 與 MobileWorld (77.8) 等項目落後於 Fable5。**

**數據表（1）SWE-Pro**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 67.7、Qwen 3.7 Max=60.6、Opus4.8=69.2、Fable5=80.0、GPT5.6 Sol (max)=64.6 |

**數據表（2）TerminalBench-2.1**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 86.6、Qwen 3.7 Max=74.5、Opus4.8=84.6、Fable5=84.6、GPT5.6 Sol (max)=88.8 |

**數據表（3）PaperBench**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 93.0、Qwen 3.7 Max=64.8、Opus4.8=80.3、Fable5=88.8、GPT5.6 Sol (max)=90.5 |

**數據表（4）FrontierSWE**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 73.5、Qwen 3.7 Max=40.7、Opus4.8=70.0、Fable5=88.8 |

**數據表（5）QwenReactBench**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 1724、Qwen 3.7 Max=1538、Opus4.8=1694、Fable5=1770、GPT5.6 Sol (max)=1564 |

**數據表（6）CoWorkBench**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 74.8、Qwen 3.7 Max=64.6、Opus4.8=72.3、Fable5=75.9、GPT5.6 Sol (max)=71.5 |

**數據表（7）JobBench**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 53.4、Qwen 3.7 Max=31.3、Opus4.8=48.4、Fable5=57.4、GPT5.6 Sol (max)=45.4 |

**數據表（8）Agents' Last Exam (Score)**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 52.4、Qwen 3.7 Max=31.1、Opus4.8=45.1、GPT5.6 Sol (max)=53.6 |

**數據表（9）BabyVision (w/o & w/ python)**

|   | w/ python | w/o python | w/ python | w/o python | w/ python | w/o python | w/ python | w/o python | w/ python | w/o python | w/ python | w/o python |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| Qwen 3.8 Max | 88.9 | 65.5 | 88.9 | 65.5 | 88.9 | 65.5 | 88.9 | 65.5 | 88.9 | 65.5 | 88.9 | 65.5 |

**數據表（10）CharXiv (RQ) (w/o & w/ python)**

|   | w/ python | w/o python | w/ python | w/o python | w/ python | w/o python | w/ python | w/o python | w/ python | w/o python | w/ python | w/o python |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| Qwen 3.8 Max | 89.1 | 85.1 | 89.1 | 85.1 | 89.1 | 85.1 | 89.1 | 85.1 | 89.1 | 85.1 | 89.1 | 85.1 |

**數據表（11）ERQA**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 77.8、Qwen 3.7 Max=69.8、Opus4.8=57.2、Fable5=70.0、Gemini3.1-Pro=68.0、GPT5.6 Sol (max)=70.0 |

**數據表（12）PerceptionBench**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 63.5、Qwen 3.7 Max=51.1、Opus4.8=47.2、Fable5=57.2、Gemini3.1-Pro=56.2、GPT5.6 Sol (max)=59.7 |

**數據表（13）LVBench**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 81.8、Qwen 3.7 Max=76.2、Opus4.8=67.3、Gemini3.1-Pro=75.1、GPT5.6 Sol (max)=78.8 |

**數據表（14）Vision2Web**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 69.0、Qwen 3.7 Max=42.1、Opus4.8=62.4、Fable5=70.5、GPT5.6 Sol (max)=62.1 |

**數據表（15）MobileWorld**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 77.8、Qwen 3.7 Max=51.2、Opus4.8=67.5、Fable5=85.5、Gemini3.1-Pro=58.1、GPT5.6 Sol (max)=76.9 |

**數據表（16）OSWorld-Verified**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 86.1、Qwen 3.7 Max=73.3、Opus4.8=83.4、Fable5=85.0、Gemini3.1-Pro=76.2、GPT5.6 Sol (max)=83.2 |

**Qwen 3.8 Max 在 PaperBench（93.0）、ERQA（77.8）、PerceptionBench（63.5）、LVBench（81.8）與 OSWorld-Verified（86.1）等多項 Agent 評測中取得領先，而在 SWE-Pro 與 MobileWorld 則由 Fable5 取得最高分。**

**數據表（1）SWE-Pro**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 67.7 |
| Qwen 3.7 Max | 60.6 |
| Opus4.8 | 69.2 |
| Fable5 | 80.0 |
| GPT5.6 Sol (max) | 64.6 |

**數據表（2）TerminalBench-2.1**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 86.6 |
| Qwen 3.7 Max | 74.5 |
| Opus4.8 | 84.6 |
| Fable5 | 84.6 |
| GPT5.6 Sol (max) | 88.8 |

**數據表（3）PaperBench**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 93.0 |
| Qwen 3.7 Max | 64.8 |
| Opus4.8 | 80.3 |
| Fable5 | 88.8 |
| GPT5.6 Sol (max) | 90.5 |

**數據表（4）FrontierSWE**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 73.5 |
| Qwen 3.7 Max | 40.7 |
| Opus4.8 | 70.0 |
| Fable5 | 88.8 |

**數據表（5）QwenReactBench**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 1724 |
| Qwen 3.7 Max | 1538 |
| Opus4.8 | 1694 |
| Fable5 | 1770 |
| GPT5.6 Sol (max) | 1564 |

**數據表（6）CoWorkBench**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 74.8 |
| Qwen 3.7 Max | 64.6 |
| Opus4.8 | 72.3 |
| Fable5 | 75.9 |
| GPT5.6 Sol (max) | 71.5 |

**數據表（7）JobBench**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 53.4 |
| Qwen 3.7 Max | 31.3 |
| Opus4.8 | 48.4 |
| Fable5 | 57.4 |
| GPT5.6 Sol (max) | 45.4 |

**數據表（8）Agents' Last Exam (Score)**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 52.4 |
| Qwen 3.7 Max | 31.1 |
| Opus4.8 | 45.1 |
| GPT5.6 Sol (max) | 53.6 |

**數據表（9）BabyVision (w/o & w/ python)**

|   | w/o python | w/ python |
| --- | --- | --- |
| Qwen 3.8 Max | 82.0 | 91.3 |
| Qwen 3.7 Max | 64.7 | 70.4 |
| Opus4.8 | 28.4 | 81.2 |
| Fable5 | 42.5 | 90.5 |
| Gemini3.1-Pro | 55.9 | 68.3 |
| GPT5.6 Sol (max) | 65.5 | 88.9 |

**數據表（10）CharXiv (RQ) (w/o & w/ python)**

|   | w/o python | w/ python |
| --- | --- | --- |
| Qwen 3.8 Max | 88.4 | 93.5 |
| Qwen 3.7 Max | 85.8 | 85.9 |
| Opus4.8 | 78.5 | 89.9 |
| Fable5 | 87.9 | 93.5 |
| Gemini3.1-Pro | 84.4 | 89.9 |
| GPT5.6 Sol (max) | 85.1 | 89.1 |

**數據表（11）ERQA**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 77.8 |
| Qwen 3.7 Max | 69.8 |
| Opus4.8 | 57.2 |
| Fable5 | 70.0 |
| Gemini3.1-Pro | 68.0 |
| GPT5.6 Sol (max) | 70.0 |

**數據表（12）PerceptionBench**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 63.5 |
| Qwen 3.7 Max | 51.1 |
| Opus4.8 | 47.2 |
| Fable5 | 57.2 |
| Gemini3.1-Pro | 56.2 |
| GPT5.6 Sol (max) | 59.7 |

**數據表（13）LVBench**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 81.8 |
| Qwen 3.7 Max | 76.2 |
| Opus4.8 | 67.3 |
| Gemini3.1-Pro | 75.1 |
| GPT5.6 Sol (max) | 78.8 |

**數據表（14）Vision2Web**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 69.0 |
| Qwen 3.7 Max | 42.1 |
| Opus4.8 | 62.4 |
| Fable5 | 70.5 |
| GPT5.6 Sol (max) | 62.1 |

**數據表（15）MobileWorld**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 77.8 |
| Qwen 3.7 Max | 51.2 |
| Opus4.8 | 67.5 |
| Fable5 | 85.5 |
| Gemini3.1-Pro | 58.1 |
| GPT5.6 Sol (max) | 76.9 |

**數據表（16）OSWorld-Verified**

| 項目 | 數值 |
| --- | --- |
| Qwen 3.8 Max | 86.1 |
| Qwen 3.7 Max | 73.3 |
| Opus4.8 | 83.4 |
| Fable5 | 85.0 |
| Gemini3.1-Pro | 76.2 |
| GPT5.6 Sol (max) | 83.2 |

**Qwen3.8-2.4T-A95B 在 NVIDIA GB300 NVL72 上展示吞吐量與每使用者 TPS（互動性）的權衡關係，最高吞吐量達到每 GPU 4,200 TPS。**

**數據表**

|   | 起始(Interactivity=15) | 結束(Interactivity=385) |
| --- | --- | --- |
| Qwen3.8-2.4T-A95B | Throughput 4200 | Throughput 200 |

## 標籤

開源專案, LLM, Agent, Qwen, NVIDIA, Alibaba