# Qwen 開放 Qwen3.8-27B 權重，原生支援 262K tokens 多模態上下文

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

> 原作者：Qwen (@Alibaba_Qwen) · 策展與摘要：EasyVibeCoding · 平台：X (Twitter) · 熱度：🔥🔥🔥🔥🔥 · 日期：2026-08-14

> 原始來源：https://x.com/Alibaba_Qwen/status/2088280182356611304

## 證據與延伸閱讀

- [Qwen 開放 Qwen3.8-27B 權重，原生支援 262K tokens 多模態上下文。](https://huggingface.co/collections/Qwen/qwen38) — 官方 Repository
- [AMD 的 Qwen3.8-27B 本機執行指南](https://www.amd.com/en/blogs/2026/run-qwen-3-8-27b-on-amd-ryzen-ai-max-and-radeon-graphics-cards-day-0.html) — 官方文件
- [Unsloth 的 Qwen3.8-27B GGUF repository](https://huggingface.co/unsloth/Qwen3.8-27B-GGUF) — 官方 Repository
- [Unsloth 的 Qwen3.8 文件](https://unsloth.ai/docs/models/qwen3.8) — 官方文件
- [Qwen 官方發布貼文](https://x.com/Alibaba_Qwen/status/2088280182356611304)

## 中文摘要

Qwen 開放 Qwen3.8-27B 權重，原生支援 262K tokens 多模態上下文。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/ad92df5af04edcbc.jpg)
> Qwen3.8 Open Weights 的發表視覺圖，背景為太空中地球邊緣的弧線與星空，左側浮現白色科幻太空模組組成的標誌性幾何圖形，右側以白色粗體排印文字呈現標題。

**發布重點** Qwen 在 2026 年 8 月 14 日表示，先前承諾的 Qwen3.8 open weights 已正式提供。核心產品 Qwen3.8-27B 是原生多模態 dense model，僅 27B 參數，官方稱其整體表現超越 Qwen3.7-Plus，並特別強化真實世界的程式開發與 office 工作流程。模型採 Apache 2.0 授權，定位是讓開發者能在本機部署、微調並建立應用程式。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/5e049b056a41ec92.jpg)
> Qwen3.8-27B 在整體表現上超越 Qwen3.7-Plus，並在真實程式編寫與辦公工作流程中展現優異表現。

**模型能力** Qwen3.8-27B 原生支援 262,144 tokens 的 context window，搭配 YaRN 可延伸至 1M tokens。它能理解圖片與影片，並支援 thinking mode、推理深度控制與保留前次對話的 reasoning context，適合處理需要多步規劃的 Agentic 工作流程。外部模型頁面也指出，Qwen3.8-27B 加強了 coding、專業工作、研究與 long-horizon agentic tasks，並改善環境回饋處理與端到端任務完成的穩定性。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/f886e3db86d1f19d.jpg)
> Qwen3.8-27B 整體表現超越 Qwen3.7-Plus，並在 OSWorld-Verified（84.3）、WebArena-Verified（64.8）、RecreationBench（47.1）及 SWE-MM（38.6）等多項 Agentic 工作流程與軟體工程任務中領先其他比較模型。

**兩種部署方向** Qwen 將 Qwen3.8-27B 與近期釋出的 Qwen3.8-2.4T-A95B 分別定位在不同使用情境：

- Qwen3.8-27B 適合在本機執行輕量應用程式、視覺任務、聊天與 Agent 開發。
- Qwen3.8-2.4T-A95B 是 Max-level 的大規模模型，官方同步提供 open weights，面向高效能推理與複雜工作負載。
- 權重可從 [Hugging Face](https://huggingface.co/collections/Qwen/qwen38) 與 [ModelScope](https://www.modelscope.cn/collections/Qwen/Qwen38) 取得。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/41b89fa7e2a9be7a.jpg)
> 來源：[@UnslothAI](https://x.com/UnslothAI/status/2088281537427235320)（回覆）｜Qwen3.8-27B 的本機部署資訊圖：列出 2-bit 至 BF16 的記憶體需求、thinking／non-thinking 建議設定，並附上與 Qwen3.7-Plus 等模型的 benchmark 比較。

**本機生態系** Unsloth 隨即提供 Qwen3.8-27B 的 Dynamic GGUF、NVFP4 量化版本，並讓模型支援 Unsloth Desktop 的本機執行與微調。其資料顯示，量化後的 Qwen3.8-27B 約需 17GB RAM／VRAM；4-bit 版本通常需要 17–19GB，讓 RTX 5080、RTX 4090 或具 24GB 統一記憶體的 Mac 等裝置具備部署條件。Dynamic GGUF 也加入 Developer Role Support、MTP 快速推理，以及更能處理巢狀物件的 tool calling 解析。

![](https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1c5a497d01d515cb.jpg)
> 來源：[@AMD](https://x.com/AMD/status/2088280692526325926)（回覆）｜AMD 與 Qwen 合作宣傳圖，上方醒目標示「Now Available: Qwen 3.8 27B」，中央展示黑色的 AMD RADEON AI PRO R9700 顯示卡與 AMD RYZEN AI Max Series 處理器晶片，背景為藍色科技線條與透光幾何圖形，底部印有 AMD 與 Qwen 的商標及「together we advance_」標語。

**效能與硬體支援** AMD 宣布 Day 0 支援，Qwen3.8-27B 可透過 llama.cpp 執行於 AMD Ryzen AI Max+ 處理器，或單張 AMD Radeon AI PRO R9700 32GB 顯示卡；初步測試在 Ryzen AI Max+ 395 上達到每秒 24.5 tokens，在 Radeon AI PRO R9700 上達到每秒 51.8 tokens。LM Studio 也提供圖形介面，讓使用者搜尋、下載並在本機測試模型；AMD 建議約 24GB VGM 或 VRAM，以較舒適地執行 Qwen3.8-27B。

**實際影響** 這次發布把 Qwen3.8 的使用路徑分成「本機部署 27B 模型」與「建置大型 Agent 系統」兩端。Qwen 的核心訊息不是只公布新模型，而是強調開放權重、Apache 2.0 授權與多家工具及硬體在發布當日提供支援，讓開發者能直接下載、部署並自行建立過去尚未預想的應用程式。

## 媒體內容

**Qwen3.8-27B 在整體表現上超越 Qwen3.7-Plus，並在真實程式編寫與辦公工作流程中展現優異表現。**

**數據表**

|   | Qwen3.8-27B | Qwen3.6-27B | Qwen3.7-Plus | Muse Glimmer-30B | Opus4.6 Max |
| --- | --- | --- | --- | --- | --- |
| Agentic terminal coding (Terminal Bench 2.1 (Terminus)) | 73.0 | 63.4 | 64.0 | 51.7 | 78.2 |
| Agentic coding (SWE-bench Pro) | 61.7 | 53.5 | 57.6 | 51.2 | 53.4 |
| Repo-level code generation (NL2Repo-Bench) | 42.3 | 36.2 | 41.1 | -- | 47.6 |
| Agentic coding (DeepSWE 1.1) | 42.2 | 13.3 | 14.2 | -- | -- |
| Software engineering (QwenSWEBench) | 79.0 | 49.3 | 59.2 | -- | 63.8 |
| Long-horizon office work (CoWorkBench) | 70.7 | 61.0 | 65.1 | -- | 68.2 |
| Professional job tasks (JobBench) | 33.4 | 21.8 | 27.6 | -- | -- |
| Frontier agentic tasks (Agents' Last Exam - Pass@1) | 20.4 | 10.6 | 13.2 | -- | -- |
| Frontier agentic tasks (Agents' Last Exam - Score) | 42.9 | 27.3 | 33.6 | -- | -- |
| Instruction following (IFBench) | 79.5 | 69.1 | 79.1 | 77.0 | 62.5 |
| Scientific reasoning (GPQA Diamond) | 89.2 | 87.8 | 90.3 | 83.5 | 91.3 |
| Multidisciplinary reasoning (HLE) | 30.8 | 24.0 | 34.7 | 22.0 | 40.0 |
| Competitive coding (LiveCodeBench v6) | 90.3 | 83.9 | 89.6 | -- | 88.8 |

**Qwen3.8-27B 整體表現超越 Qwen3.7-Plus，並在 OSWorld-Verified（84.3）、WebArena-Verified（64.8）、RecreationBench（47.1）及 SWE-MM（38.6）等多項 Agentic 工作流程與軟體工程任務中領先其他比較模型。**

**數據表（1）Agentic Multimodal Intelligence**

|   | Qwen3.8-27B | Qwen3.6-27B | Qwen3.7-Plus | Muse Glimmer-30B | Opus4.6 Max |
| --- | --- | --- | --- | --- | --- |
| Computer use (OSWorld-Verified) | 84.3 | 63.9 | 73.3 | 65.9 | 72.7 |
| Browser use (WebArena-Verified) | 64.8 | 48.8 | 55.3 | -- | -- |
| Mobile use (AndroidWorld) | 81.9 | 70.3 | 81.0 | -- | 62.0 |
| Application recreation (RecreationBench) | 47.1 | 29.8 | 30.2 | -- | -- |
| Multimodal tool use (ClawEval-MM) (Pass@3) | 57.4 | 42.6 | 57.4 | -- | 52.5 |
| Multimodal tool use (ClawEval-MM) (Average) | 56.9 | 50.4 | 60.1 | -- | 54.7 |
| Multimodal software engineering (SWE-MM) | 38.6 | 25.7 | 30.0 | -- | 27.1 |
| Visual web development (Vision2Web) | 62.9 | 45.0 | 42.1 | -- | -- |

**數據表（2）General Multimodal Intelligence**

|   | Qwen3.8-27B | Qwen3.6-27B | Qwen3.7-Plus | Muse Glimmer-30B | Opus4.6 Max |
| --- | --- | --- | --- | --- | --- |
| Visual math problem solving (MathVision) (Without CI) | 90.0 | 85.1 | 90.3 | -- | 65.5 |
| Visual math problem solving (MathVision) (With CI) | 94.6 | -- | -- | -- | -- |
| General visual reasoning (BabyVision) (Without CI) | 65.7 | 28.9 | 64.7 | -- | 12.6 |
| General visual reasoning (BabyVision) (With CI) | 85.6 | -- | 70.4 | -- | -- |
| Scientific chart analysis (CharXiv (RQ)) (Without CI) | 83.7 | 78.4 | 85.8 | 78.8 | 66.0 |
| Scientific chart analysis (CharXiv (RQ)) (With CI) | 90.2 | -- | 85.9 | -- | -- |
| Document intelligence (OmniDocBench 1.5) | 91.1 | 89.4 | 91.4 | 75.8 | 86.6 |
| Real-world perception (RealWorldQA) | 85.9 | 84.1 | 86.9 | -- | 73.9 |
| Embodied intelligence (ERQA) | 65.5 | 62.5 | 69.8 | -- | 40.8 |

**Qwen3.8-27B 的本機部署資訊圖：列出 2-bit 至 BF16 的記憶體需求、thinking／non-thinking 建議設定，並附上與 Qwen3.7-Plus 等模型的 benchmark 比較。**

**數據表（1）硬體需求表**

|   |
| --- |
| 規格 · 2-bit · 3-bit · 4-bit · 6-bit · 8-bit · BF16 記憶體需求 · 11-13 GB · 13-16 GB · 17-19 GB · 24 GB · 31 GB · 56 GB |

**數據表（2）建議設定**

|   |
| --- |
| 參數 · Thinking Mode · Non-thinking temperature · 1.0 · 0.7 top_p · 0.95 · 0.80 top_k · 20 · 20 min_p · 0.0 · 0.0 presence_penalty · 0.0 · 1.5 |

**數據表（3）基準測試比較表**

|   | Qwen3.8-27B | Qwen3.6-27B | Qwen3.7-Plus | Muse Glimmer-30B | Opus4.6 Max | Qwen3.8-27B | Qwen3.6-27B | Qwen3.7-Plus | Muse Glimmer-30B | Opus4.6 Max | Qwen3.8-27B | Qwen3.6-27B | Qwen3.7-Plus | Muse Glimmer-30B | Opus4.6 Max | Qwen3.8-27B | Qwen3.6-27B | Qwen3.7-Plus | Muse Glimmer-30B | Opus4.6 Max | Qwen3.8-27B | Qwen3.6-27B | Qwen3.7-Plus | Muse Glimmer-30B | Opus4.6 Max | Qwen3.8-27B | Qwen3.6-27B | Qwen3.7-Plus | Muse Glimmer-30B | Opus4.6 Max | Qwen3.8-27B | Qwen3.6-27B | Qwen3.7-Plus | Muse Glimmer-30B | Opus4.6 Max | Qwen3.8-27B | Qwen3.6-27B | Qwen3.7-Plus | Muse Glimmer-30B | Opus4.6 Max | Qwen3.8-27B | Qwen3.6-27B | Qwen3.7-Plus | Muse Glimmer-30B | Opus4.6 Max | Qwen3.8-27B | Qwen3.6-27B | Qwen3.7-Plus | Muse Glimmer-30B | Opus4.6 Max | Qwen3.8-27B | Qwen3.6-27B | Qwen3.7-Plus | Muse Glimmer-30B | Opus4.6 Max |
| --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- |
| 指標 / benchmark · Qwen3.8-27B · Qwen3.6-27B · Qwen3.7-Plus · Muse Glimmer-30B · Opus4.6 Max Agentic terminal coding (Terminal Bench 2.1 (Terminus)) | 89.2 | 87.8 | 90.3 | 83.5 | 91.3 | 89.2 | 87.8 | 90.3 | 83.5 | 91.3 | 89.2 | 87.8 | 90.3 | 83.5 | 91.3 | 89.2 | 87.8 | 90.3 | 83.5 | 91.3 | 89.2 | 87.8 | 90.3 | 83.5 | 91.3 | 89.2 | 87.8 | 90.3 | 83.5 | 91.3 | 89.2 | 87.8 | 90.3 | 83.5 | 91.3 | 89.2 | 87.8 | 90.3 | 83.5 | 91.3 | 89.2 | 87.8 | 90.3 | 83.5 | 91.3 | 89.2 | 87.8 | 90.3 | 83.5 | 91.3 | 89.2 | 87.8 | 90.3 | 83.5 | 91.3 |

## 標籤

開源專案, 新產品, VLM, Qwen, Alibaba