阿里开源 Qwen3.8-27B，27B 小模型被称新斩杀线

阿里云 Qwen 团队发布了 Qwen3.8 系列中的紧凑型稠密模型 Qwen3.8-27B，模型权重与配置文件已同步上传到 Hugging Face 官方仓库，采用 Apache-2.0 协议开放下载。这是 Qwen3.8 系列里定位部署友好的一个版本：27B 参数规模，却原生支持图像和视频理解，属于视觉-语言模型，不是纯文本模型。

社区给它起了个新外号叫「模型斩杀线」。知乎上相关话题登上热榜，讨论的核心是：当 27B 的小模型在编码、办公和 Agent 任务上的成绩逼近甚至超过部分大参数模型时，普通开发者和中小团队自建模型的性价比基准就被重新定义了。模型仓库原文可核对全部参数与评测数据。

Qwen3.8-27B 是稠密架构，总参数 27B，隐藏维度 5120、64 层，配合多 token 预测（MTP）训练。相比同系列的大 MoE 模型，稠密模型的好处是推理链路简单、显存占用可预测，一张 24GB 显存的消费级显卡可以尝试加载量化版本，官方还提供了 FP8 量化版 Qwen3.8-27B-FP8，进一步降低部署门槛。

上下文方面，模型原生支持 262144 token（约 26 万），官方声称可扩展到 100 万 token 级别。做长文档分析或长对话场景时不需要频繁截断，这是它和上一代相比最直接的体验差异。

Qwen3.8-27B 是原生视觉-语言模型，输入支持文本、图像和视频，输出为文本。官方特别提到它面向 STEM 图表、文档以及长达小时级视频的理解场景，也就是说除了聊天，它更适合被接进需要读图、看录像的自动化流程里。

思考控制是另一个值得注意的设计：模型默认开启思考模式，但可以在每次请求时关闭；推理深度可以用 reasoning_effort 参数调节，历史推理上下文可通过 preserve_thinking 保留。这套灵活的思考开关让开发者可以在「更准」和「更快更省」之间按任务切换，而不是被模型写死。

官方基准表提供了直接对比。在终端编码任务 Terminal Bench 2.1 上，Qwen3.8-27B 拿到 73.0，明显高于 Qwen3.6-27B 的 63.4，也高于 Qwen3.7-Plus 的 64.0；SWE-bench Pro 上 61.7 对上一代的 53.5；软件工程基准 QwenSWEBench 上 79.0 对 49.3，提升幅度最大。

视觉侧同样如此：OSWorld-Verified 计算机操作 84.3，上一代只有 63.9；WebArena-Verified 浏览器操作 64.8 对 48.8；AndroidWorld 手机操作 81.9 对 70.3。需要说明的是，榜单里部分日常办公场景仍落后于旗舰闭源模型，例如 GPQA Diamond 科学推理 89.2 略低于 Opus 4.6 Max 的 91.3，选择时可以对号入座。

三类人最适合先试：一是想把编码 Agent 或自动化流程跑在本地、不想按调用付费的团队；二是需要同时处理文档、截图、录像等多模态输入的内部工具开发者；三是做模型微调和蒸馏的研究者——Apache-2.0 协议对商用和二次开发都很宽松。

不想自建部署的可以直接用 QwenCloud 的托管 API，官方托管版默认提供 1M 上下文，支持函数调用、缓存、结构化输出、批量调用和微调，新用户有免费 token 额度。对于已经在用 Qwen3.6-27B 的人，这次升级在编码和长程任务上是实实在在的代际提升，值得重新评估切换。

值得跟踪的变量有三个：一是 Qwen3.8-27B 发布后，社区评测和微调生态能跑出多少实际案例，这决定「斩杀线」的说法能否坐实；二是更大规模的 Qwen3.8 旗舰模型（2.4T 参数 MoE）在开源圈和 API 市场的采用情况；三是同类定位的开源模型——比如新发布的 Kimi、GLM 系列——会不会跟进参数和定价，25B-30B 这一档的开源竞争大概率会明显加剧。

对普通开发者来说，现在就可以去 Hugging Face 下载权重，或到 QwenCloud 控制台用托管 API 跑一轮自己的基准，再决定要不要切换。

本文由 AI 潮汐编辑部基于官方公告与公开资料整理，补充了行业影响、适用场景和行动建议，帮助你在阅读原文前先理解这条信息为什么重要。

原始来源：https://huggingface.co/Qwen/Qwen3.8-27B

如发现事实、价格或链接有误，可通过 联系我们 提交更正。