8月14日晚，阿里通义千问团队放出了一个”小个子”模型：Qwen3.8-27B，270亿参数，Apache-2.0 协议免费开源，谁都能下载。同一张官方成绩单上，它在编程任务 DeepSWE 1.1 的得分从上一代的 13.3 跳到 42.2——涨了 3 倍多，顺带把几个万亿级参数的商业大模型甩在了身后。消息传到全球开发者社区 Hacker News，一天之内拿到 819 个赞、539 条讨论，是当天热度最高的技术话题之一。
这不是一件”又发布了新模型”的小事。它直接撞上了过去两年 AI 圈最流行的一种直觉：参数越多越聪明。
270亿，在AI界算”小个子”
先解释一下”参数”是什么。可以把大模型想象成一台巨大的旋钮机器，每一个参数就是一个可以拧的旋钮，旋钮越多，机器越”能装”。这些年 AI 公司的竞赛，很大程度就是比谁的旋钮多：从千亿到万亿，顶尖闭源模型已经堆到 2 万亿、甚至 2.4 万亿参数，是 270 亿的将近 90 倍。
旋钮多，意味着训练时烧掉更多显卡、更多电费，用的时候也必须在云端租用昂贵的算力。这套”越大越好”的军备竞赛，最后都折算进了普通用户的账单里——按月付费的会员、按字数计价的接口费。普通人接触 AI，基本只有”花钱租一个云端大脑”这一条路。
Qwen3.8-27B 想走另一条路：把旋钮做精，而不是做多。
先看成绩单：涨3倍，还赢了几个巨无霸
官方公布的对比表里，对手分别是上一代 Qwen3.6-27B、更大的 Qwen3.7-Plus、同量级的 Muse Glimmer-30B，以及闭源巨头 Opus 4.6 Max。270 亿的”小个子”交出了这样的成绩：
- 编程任务 DeepSWE 1.1：42.2，上一代只有 13.3，涨了 3 倍多，官方还特意标注这是 3.7-Plus 的 14.2 的近 3 倍；
- 软件工程任务 SWE-bench Pro：61.7，超过 Opus 4.6 Max 的 53.4；
- 自动化办公任务 CoWorkBench：70.7，超过 Opus 的 68.2；
- 终端操作任务 Terminal Bench 2.1：73.0，逼近 Opus 的 78.2，差距缩到 5 分以内。
图：Qwen3.8-27B 官方成绩表，编程与办公类任务对比上代及闭源大模型。来源：千问官方发布（IT之家转载）
把话说全：它不是全面碾压。在仓库级代码生成等个别任务上，Opus 依然领先；万亿级的庞然大物在不少场景里仍是更强的那个。但方向已经变了——270 亿参数面对比自己大几十倍的对手，输赢不再是单方面的事，这在两年前还难以想象。
小模型凭什么追上来？
这才是这次发布最值得琢磨的地方。从官方模型卡和社区讨论来看，靠的是三件具体的工程事：
第一，注意力机制的”混搭”。 大模型读文字时靠一种叫”注意力”的机制决定该关注哪些内容，但它极其耗算力，这也是大模型吃显卡的大头。Qwen3.8-27B 的做法是把 64 层结构中的约四分之三换成一种更省钱的”线性注意力”（官方名称 Gated DeltaNet），只在剩下的四分之一保留传统的高精度注意力。打个比方：读一本书，大部分章节用快速浏览，重点章节才逐字精读。省下的算力，让 270 亿参数的规模也能消化足够多的知识。
第二，一次多想几步。 传统模型一次只预测下一个字，Qwen3.8-27B 用了”多 token 预测”（MTP）训练，一次预测好几个字。像下棋的人多看几步，走子更连贯，生成速度也更快。
第三，思考开关。 模型默认会”先想后答”，但新加了 reasoning_effort 旋钮，按任务难度调节思考深度：简单问题快速作答，难题才进入深度推理。社区实测里有人让它画一张”骑自行车的鹈鹕”，它认认真真想了两万多步，花了 21 分钟交出一张让围观者惊叹的图；而问个简单问题，它可以秒回。把”想多久”的主动权交出来，是在用工程手段省资源。
从这些设计能看出一个判断：在训练数据和训练方法上花功夫，比无脑堆参数更划算。这个判断是否成立，需要更多第三方验证，但从公开信息看，它已经成了 Qwen 这条”小模型路线”的立身之本。
一本小说量级的”记忆力”，外加能看图的”眼睛”
除了编程，这个模型还带着两个对普通人很直观的能力。
一是超长的”记忆力”：原生支持 26 万 token 的上下文，约等于一次读完整本 20 万字的长篇小说还能记住前后情节，官方称技术上可扩展到 100 万。以前长文档、长视频的 AI 处理是云端大模型的专属，现在小模型也接得住。
二是原生看图、看视频。图像和视频是它的”第一等公民”——从理工科的图表、扫描文档，到几小时长的视频，都能直接理解、直接处理。官方多模态成绩单同样把它排在了不少更大模型的前面。
图：Qwen3.8-27B 多模态成绩表，看图、看视频任务对比。来源：千问官方发布（IT之家转载）
笔记本就能跑：开源最实在的礼物
参数小带来的最直接变化在硬件账本上。万亿级模型自托管需要几十张专业显卡，而 Qwen3.8-27B 的 FP8 量化版权重约 17GB，官方称量化后性能与原始版几乎一致——就像把高清照片压成标清，肉眼几乎看不出差别。社区里已经有人在 MacBook 上用免费工具跑起来，也有人在家用显卡上部署。IT之家报道里说得更直白：量化后家用级显卡即可运行。
这正是”免费开源”四个字的分量：Apache-2.0 协议意味着随便下载、随便改、商用也不收费。一家小公司想把 AI 用在内部流程，不用再按字数给云端接口付费，数据也不用送出公司大门；一个学生想研究模型内部怎么工作，可以把全部”内脏”摊开来看。Hacker News 上有开发者留言说，自己一直用 Qwen 的上一代小模型支撑业务，新版发布当晚就动手测试了。
社区里也有冷静的声音：有人觉得它思考痕迹太重、对部分任务”想太多反而绕远路”；有人提醒，跑分高不代表日常体验一定好，拿 270 亿的模型去硬碰云端 API 的顶级服务，期望要放对地方。这些质疑都成立，它们恰好说明”小模型时代”还没到来——更准确的说法是，小模型第一次挤进了牌桌，和万亿级选手有了掰手腕的资格。
从军备竞赛到两条腿走路，阿里这次押注的是把选择权交还给用户：想要极致能力，去云端租巨无霸；想要便宜、私密、可控，270 亿的”小个子”已经在笔记本上等你。这两种需求，本来就不该只有一种答案。
参考链接：
- Hugging Face 模型页：Qwen3.8-27B（官方模型卡，含架构与完整基准数据）
- Hugging Face 模型页：Qwen3.8-27B-FP8（量化权重版）
- Hacker News 讨论：Qwen 3.8 27B（819 分 / 539 条评论）
- IT之家：阿里开源 Qwen3.8-27B 模型，编程、办公场景表现超越 Qwen3.7-Plus
- 知乎专栏：刚刚，Qwen3.8-27B 开源了！
