Qwen3.8 开源：27B 稠密模型 Apache 2.0，训练成本压下去接近九成
8 月 14 日阿里发布 Qwen3.8-27B：270 亿参数稠密模型、Apache 2.0 开放权重、原生 262K 上下文，在编码和办公任务上优于更大的 Qwen 3.7 Plus。真正被低估的是 Qwen3.8-Flash 提前开源的下一代架构 —— 通过注意力机制与模型内信息传递机制的改动，把训练成本压下去接近 90%。稠密路线、开放许可、低成本训练这三条线凑齐之后，自部署的门槛被拉到了新的位置。
（本文写于 8 月 15 日，8 月 26 日补入 Qwen3.8-Flash 与 Qwen-Image-Edit 的发布信息。）
一、8 月的密集发布节奏
先把时间线理清楚，这一个月里 Qwen 的动作密度非常高：
| 日期 | 发布 | 要点 |
|---|---|---|
| 8 月 4 日 | Qwen3.8 旗舰落地 | 2.4 万亿参数，主攻编程与企业办公场景 |
| 8 月 12 日 | Qwen3.8-2.4T-A95B | MoE 旗舰，2.4 万亿总参数 / 950 亿激活 |
| 8 月 14 日 | Qwen3.8-27B | 270 亿稠密参数，Apache 2.0，原生 262K 上下文 |
| 8 月 18 日 | Qwen-Image-Edit | 基于 20B 的 Qwen-Image，把文本渲染能力扩展到图像编辑 |
| 8 月 26 日 | Qwen3.8-Flash / Flash-Next | 1250 亿参数；提前开源下一代架构，训练成本压低接近 90% |
二、27B 稠密模型打赢 3.7 Plus，意味着什么
先看 Qwen3.8-27B 的关键参数：
| 项目 | Qwen3.8-27B |
|---|---|
| 架构 | 稠密模型（dense） |
| 参数量 | 270 亿 |
| 许可 | Apache 2.0，开放权重 |
| 上下文 | 原生支持 262,000 token |
| 厂商公布的能力对比 | 在编码和办公任务上优于更大的 Qwen 3.7 Plus |
「27B 打赢 3.7 Plus」这件事本身不是重点 —— 参数量小在 MoE 时代本来就不是能力保证。真正值得注意的是它用的是稠密架构，而这次赢的是一个更大的产品线。
稠密 vs MoE 的路线之争，可以从三个维度拆开看：
- 推理延迟可预测性。稠密模型每次推理激活全部参数，不需要路由，首 token 延迟和尾延迟都更稳。MoE 在批量足够大时吞吐占优，但单请求延迟受路由分布影响，尾部会出现难以消除的长尾
- 部署复杂度。稠密模型没有专家路由、没有 all-to-all 通信、没有负载不均导致的显存碎片。27B 全稠密在单卡或双卡上就能跑起来，运维心智负担小一个数量级
- 成本结构。稠密模型每次推理都付全部参数的算力成本，看起来更贵；但当你的流量不是均匀铺开、而是集中在少数几个高频场景时，MoE 的激活参数优势会被路由开销和闲置专家显存吃掉一部分
再叠加Apache 2.0 + 262K 上下文：自部署的门槛被拉到很低 —— 不需要为了协议授权去做法务排查，不需要担心长文档场景要换模型，一个 27B 的稠密权重加一张消费级显卡就能起一套私有编码助手。
三、最被低估的部分：训练成本压下去接近 90%
8 月 26 日发布的 Qwen3.8-Flash 提前开源了下一代千问模型的架构。按发布方的说法，路径是：
- 通过注意力机制和模型内信息传递机制等核心改动
- 在保持前沿性能的同时把训练成本压下去接近 90%
- 同时依靠极少的参数激活，把推理计算效率推到新的帕累托前沿
- 发布方称之为「行业性价比斩杀线」级别的模型
「接近 90%」这个数字为什么重要，值得多说两句。它意味着两件等价的资源杠杆：同样的算力预算能训出更大的有效模型，或者同样的模型能训得更便宜。前者决定了前沿能力的推进速度，后者决定了开源社区能以多低的成本复现和微调 —— 后者对企业的直接影响大得多。
更关键的是它被提前开源了。架构公开意味着这套成本结构不再是一家公司的私有优势，而是整个生态可以立刻开始复用的公共资产。这是「发布一个 checkpoint」和「发布一条路径」的差别。
四、Apache 2.0 的现实价值
模型能力谈完了，聊聊许可。这一项在实际落地中卡掉的团队，往往比被性能卡掉的更多。
- 商用友好。Apache 2.0 允许商业使用、允许修改、允许再分发，不需要逐案申请授权，也不需要签署额外协议
- 专利授权条款。Apache 2.0 明确包含贡献者对相关专利的授权，这是它相对 MIT 的最大增量 —— 很多企业的法务对「模型权重会不会引入专利风险」有明确要求，MIT 没有这一条
- 对比之下。标着「非商用」的开放权重基本无法进入生产环境；带附加条款的开放权重（用途限制、可接受使用政策、命名要求）则需要逐条过法务。相比之下 Apache 2.0 几乎是企业法务成本最低的那一档
配合 262K 原生上下文和稠密架构，「数据不出域 + 协议无障碍 + 部署简单」这三个条件同时成立，开源自部署的决策门槛确实被显著拉低了。
五、同期对照：闭源阵营在打什么牌
同一个 8 月，海外和国内的其他厂商动作也不小：
| 模型 | 厂商 | 时间 | 要点 |
|---|---|---|---|
| Claude Opus 5 | Anthropic | 7 月 24 日 | 定价维持 $5 / $25 每百万 token；SWE-bench Verified 96.0%、Pro 79.2%；支持 100 万 token 上下文与 effort 调节 |
| Grok 4.6 | xAI | 8 月 12 日 | 与 4.5 同价，但 $2 / $6 档只在 200K token 提示词以下成立，超过则整个请求重新计价 |
| Gemini 3.7 Flash | 8 月 13 日 | 厂商称是谷歌最强大的编程和 AI 代理模型，基准性能优于 Claude Sonnet 5 和 GPT-5.6 Terra，而价格仅为它们的一半 | |
| DeepSeek-V4-Pro | DeepSeek | 8 月 13 日 | 1.6 万亿参数 |
| GLM-5.3 | 智谱 | 8 月 14 日 | 7440 亿参数 |
| Qwen3.8-2.4T-A95B | 阿里 | 8 月 12 日 | 2.4 万亿总参数 / 950 亿激活，MoE |
其中 Grok 4.6 的计价规则值得单独标红：它的低价档是有前提的。Grok 4.6 标注与上一代 Grok 4.5 同价，$2 / $6 这一档只在提示词 不超过 200K token 时成立，超过后整个请求按更高档重新计价 —— 定价表上写着「与 4.5 同价」，实际账单不是这么算的。对长上下文场景来说，这意味着成本曲线会在超过某个长度后突然跳变。这类陷阱在做成本对比时必须逐条核对计价条件，不能只看单价数字。
Gemini 3.7 Flash 的定位也很清晰：厂商声称基准性能优于 Claude Sonnet 5 和 GPT-5.6 Terra，价格只有一半。这是典型的「Flash 层向上打」的产品策略 —— 目标不是成为最强，而是成为默认档。
六、三值量化这条支线：把 27B 塞进 5.93 GB
同期的开源生态里，有一条容易被忽略但方向很对的支线。PrismML 的 Ternary Bonsai 2 27B 用三值量化把一个 27B 模型压到了：
- 整个语言模型打包后只有 5.93 GB
- 在 20 项基准测试上保留原模型 98.2% 的平均成绩
- 权重以 Apache 2.0 开放
- GGUF 版本发布当天就能用 llama.cpp 直接加载
「当天就能用 llama.cpp 加载」这半句才是重点 —— 它意味着从模型发布到可用服务之间没有适配层工程。三值量化把权重压到三值，代价是精度，换来的是可以跑在笔记本、边缘盒子、瘦客户端上的可能。这条路径对边缘部署和本地推理的意义，比在榜单上多两分要实际得多。
其他同期开源项目：
| 模型 | 团队 | 参数 |
|---|---|---|
| MiniCPM5-2B | 面壁智能 | 25.17 亿（2.517B） |
| 科大 Spark-X2.5-4B | 讯飞 | 4B |
| Intern-S2-397B | 上海人工智能实验室 | 397B |
| Ternary Bonsai 2 27B | PrismML | 27B（三值量化） |
七、选型建议：什么场景走自部署，什么场景仍应走 API
开源不等于免费，自部署也不等于省钱。把决策拆成三个问题：
- 数据能不能出域？。这是硬门槛。涉及源码、合同、客户数据、财务信息的场景，开源自部署几乎是唯一选项 —— 这时候的成本讨论不是「省多少」，而是「能不能」
- 调用量够不够摊薄算力？。自部署的固定成本是硬件和运维，摊薄它需要稳定的调用量。流量波动大、峰值集中、平时闲着的场景，自部署的硬件利用率会很差，摊薄成本不成立
- 要不要改权重？。需要领域微调、需要 MoE 路由定制、需要把模型塞进受控的运行时，开源是前提；纯调用场景下 API 的边际成本优势依然明显
基于这些，一个务实的形态是「开源模型 + 商业 API 双轨」：
- 自部署轨道：数据敏感场景、长文档批量处理、可接受一定能力折损的常规任务（例如用 27B 稠密模型跑分类、抽取、格式化、代码补全这类意图明确的任务）
- API 轨道：需要前沿能力上限的复杂推理、流量波动大、调用量不足以摊薄自部署的冷门场景
- 成本对比的正确做法：不要用「API 单价 × 月调用量」和「自部署硬件月摊销」直接比。要用完成同一任务的总成本比 —— 把自部署的运维人力、GPU 利用率不足的闲置成本、模型能力不足导致的重试率、以及升级维护摊进去；也要把 API 的失败重试、限流排队、超额计价的隐形成本摊进去。两边的口径必须一致
落地上的一个细节值得提醒：自部署和 API 轨道的模型名、参数、提示词模板最好统一抽象成同一套接口配置，业务代码不感知背后是哪个轨道。这样当价格、能力或合规条件变化时，切换是改配置而不是改代码 —— 考虑到这个月闭源阵营的定价规则变动频率（Opus 5 维持原价、Grok 4.6 有 200K 阈值、Gemini 3.7 Flash 主动打价格战），这个抽象层的回报期会非常短。
八、对开发者的影响
- 开源与闭源的能力差距正在从「能不能用」变成「值不值得用」。27B 稠密模型在编码和办公任务上优于更大的产品线（厂商公布口径），意味着中小模型的性价比窗口还在继续打开
- 训练成本下降接近 90% 的传导路径是「更多同代模型」。当训练成本下降近一个数量级，发布节奏、领域微调的可得性、专门化小模型的供给都会随之变化 —— 这比一次能力榜单刷新影响更深远
- Apache 2.0 应当成为开源模型选型的默认筛选条件。许可证不匹配的模型再强也进不了生产，先看协议再看分数能省掉大量返工
- 边缘和本地推理的门槛在同步下降。三值量化把 27B 压进 5.93 GB、GGUF 当天可用 llama.cpp 加载，这类工程细节对「能不能在客户端跑」的影响，比榜单上几个百分点的差距更大
九、数据来源与口径说明
- 厂商公布：Qwen3.8 系列的发布时间、参数量、上下文长度、许可，以及「优于 Qwen 3.7 Plus」「训练成本压下去接近 90%」「行业性价比斩杀线」「帕累托前沿」等表述 —— 这些均为发布方口径
- 厂商称：Gemini 3.7 Flash 关于「谷歌最强大的编程和 AI 代理模型」及其对标结论
- 厂商公布：Ternary Bonsai 2 的 20 项基准平均保留 98.2%、5.93 GB 打包体积（PrismML 发布口径，未经第三方复现）
- 价格条款：Claude Opus 5 的 $5 / $25 每百万 token、Grok 4.6 的 200K token 计价阈值
- 厂商公布（基准分数，未经第三方复现）：Claude Opus 5 的 SWE-bench Verified 96.0% / Pro 79.2%
本文只引用以上公开信息，未做额外基准复现或价格外推。