Qwen3.8-27B catat skor 52: Sejauh mana ia menghampiri model AI tertutup teratas?

Istilah open-weight juga lebih tepat berbanding “open-source” dalam konteks ini. Alibaba menyediakan berat model dan fail konfigurasi untuk dimuat turun, tetapi lesen dan komponen lain tetap perlu diteliti mengikut syarat yang berkenaan.

Laporan mengenai kemungkinan kewajipan perkongsian hasil pula tidak merujuk kepada versi 27B. Syarat tersebut dikaitkan dengan lesen berasingan bagi Qwen3.8-Max, model flagship dengan 2.4 trilion parameter. Oleh itu, syarat penggunaan komersial tidak wajar digeneralisasikan kepada seluruh keluarga Qwen.

Begitu juga, harga sifar yang muncul dalam sesetengah senarai tidak semestinya bermaksud Alibaba Cloud telah menetapkan harga universal dan kekal pada US$0. Maklumat yang tersedia menunjukkan endpoint hosted Qwen3.8-27B masih dalam proses disediakan, manakala harga sebenar boleh berbeza mengikut penyedia.

Perbandingan Artificial Analysis

Artificial Analysis Intelligence Index ialah indeks gabungan yang merangkumi sembilan penilaian dalam bidang seperti pengekodan, sains, penaakulan, tugas profesional dan aktiviti lain yang mencabar. Ia berguna sebagai ukuran keseluruhan, tetapi tidak menggambarkan setiap aliran kerja sebenar atau semua jenis penggunaan ejen AI.

Kesimpulan yang paling selamat ialah Qwen3.8-27B menyamai GPT-5.6 Luna dan mengatasi GPT-5.6 Terra dalam ukuran serta tetapan yang dinilai. Data ini tidak mencukupi untuk menyatakan bahawa Qwen3.8-27B secara keseluruhan mengatasi Claude Opus 4.8, DeepSeek V4 Pro atau GLM-5.2.

Sesetengah laporan menyebut Qwen3.8-27B memperoleh Agentic Index 51. Namun, sumber lain hanya menunjukkan keputusan komponen 48% dalam τ²-Bench, dan angka itu tidak sama dengan skor Agentic Index keseluruhan. Maka, belum ada asas yang cukup konsisten untuk menyusun kedudukan prestasi ejen bagi semua model tersebut secara muktamad.

Mengapa model 27B ini tetap penting?

Skor benchmark hanyalah sebahagian daripada cerita. Berat model yang terbuka membolehkan pasukan memuat turun, menyesuaikan, melakukan kuantisasi dan menyepadukan model ke dalam sistem sendiri tanpa bergantung sepenuhnya pada satu penyedia API.

Keupayaan menjalankan model secara tempatan amat berguna untuk:

• pembangunan perisian yang memerlukan privasi;
• aplikasi luar talian;
• perkhidmatan yang sensitif terhadap kependaman;
• sistem perusahaan yang memerlukan kawalan data;
• penalaan halus dan pembinaan ejen AI khusus.

Lesen Apache 2.0 secara umumnya memudahkan penggunaan, pengubahsuaian, pengedaran semula dan penggunaan komersial, tertakluk kepada syarat lesen itu sendiri. Ini berbeza daripada model proprietari yang hanya boleh diakses melalui endpoint cloud.

Namun, perbandingan antara model tempatan dan model cloud tidak sepenuhnya setara. Model cloud biasanya disertakan infrastruktur, kebolehskalaan, kemas kini, ketersediaan dan pengurusan operasi. Dalam pendekatan self-hosting, pengguna perlu menanggung kos perkakasan, memori, elektrik, pengoptimuman, penyelenggaraan dan sokongan.

Dengan kata lain, “percuma” dari segi harga token tidak bermaksud jumlah kosnya sifar.

Mengapa jumlah parameter bukan ukuran yang mencukupi?

Angka parameter yang besar mudah menjadi tajuk utama, tetapi ia tidak semestinya memberikan perbandingan yang adil. Qwen3.8-27B ialah model dense, manakala sesetengah model open-weight lain menggunakan seni bina mixture-of-experts (MoE), yang membezakan antara jumlah parameter dan parameter aktif ketika inferens.

Sebagai contoh, Artificial Analysis menyenaraikan DeepSeek V4 Pro dengan 1.6 trilion parameter keseluruhan dan 49 bilion parameter aktif, manakala GLM-5.2 mempunyai 753 bilion parameter keseluruhan dan 40 bilion parameter aktif.

Justeru, perbandingan antara 2.4 trilion parameter yang dilaporkan untuk Qwen3.8-Max, dakwaan 2.8 trilion parameter bagi Kimi K3 dan model Amerika Syarikat yang saiznya tidak didedahkan tidak boleh dianggap sebagai ranking prestasi.

Seni bina, data latihan, proses pascapelatihan, bajet penaakulan, penggunaan alat dan kecekapan sistem penyajian boleh memberi kesan yang lebih besar daripada angka parameter semata-mata.

Adakah prestasi Qwen mengurangkan nilai pelaburan infrastruktur AI?

Prestasi Qwen3.8-27B tidak membuktikan bahawa pelaburan besar dalam pusat data AI di Amerika Syarikat memberikan pulangan rendah. Sistem frontier masih memerlukan infrastruktur untuk latihan, penyelidikan, eksperimen, penyajian pada skala besar, keselamatan, kebolehpercayaan dan fungsi multimodal.

Infrastruktur berskala besar juga penting bagi tugas paling sukar, yang mungkin tidak dapat ditangani dengan baik oleh model 27B. Satu skor gabungan tidak merangkumi semua keperluan tersebut.

Namun, Qwen3.8-27B menunjukkan bahawa skala mentah bukan lagi kelebihan yang berdiri sendiri. Pascapelatihan yang lebih baik, inferens yang cekap, distilasi, saluran data khusus dan strategi pengedaran terbuka boleh menjadikan model yang lebih kecil sangat kompetitif dalam aplikasi sebenar.

Soalan penting untuk pelaburan AI kini bukan sekadar “siapa mempunyai model terbesar?”. Ia juga merangkumi:

• siapa yang menawarkan nisbah prestasi kepada kos terbaik;
• siapa yang mengawal saluran pengedaran;
• siapa yang menyediakan ekosistem pembangunan paling mudah digunakan;
• dan siapa yang membolehkan pelanggan mengekalkan kawalan terhadap data serta infrastruktur.

Strategi Alibaba dalam persaingan AI Amerika Syarikat–China

Alibaba menyatakan bahawa keluarga Qwen telah melancarkan lebih daripada 460 model terbuka dan mencatat lebih 3 bilion muat turun global dalam tempoh enam bulan. Angka ini ialah data ekosistem yang dilaporkan syarikat, bukan ukuran pengguna aktif unik, hasil perusahaan atau penggunaan produksi yang disahkan.

Angka lebih sempit daripada pengukuran bebas Hugging Face yang dipetik dalam laporan berkaitan menunjukkan kira-kira 2.045 bilion muat turun Qwen di platform tersebut bagi tahun 2026 sahaja.

Kekuatan model terbuka ialah kesan rangkaian yang boleh berkembang dengan cepat. Pembangun, penyedia cloud, pembuat perkakasan dan penyepadu serantau boleh membina versi penalaan halus, model terkuantisasi serta produk khusus berdasarkan berat model yang sama. Mereka tidak perlu menunggu Alibaba menyediakan setiap fungsi melalui API sendiri.

Kerjasama dengan pembuat peranti dan pemecut AI juga boleh menjadikan inferens tempatan lebih mudah dan cekap. Dalam persaingan ini, hadiah terbesar bukan semata-mata model tertutup yang paling pintar, tetapi juga minda pembangun, saluran penggunaan, timbunan perkakasan yang dioptimumkan dan ekosistem model terbitan.

Pembahagian lesen Qwen turut mempunyai kepentingan strategik. Lesen Apache 2.0 untuk versi 27B membantu memaksimumkan penggunaan dan penyebaran, manakala terma komersial berasingan bagi Qwen3.8-Max mengekalkan laluan untuk Alibaba mendapatkan nilai daripada penggunaan komersial berskala besar.

Apa maknanya untuk pembangun dan perusahaan?

Bagi pasukan yang memerlukan kawalan data, penggunaan tempatan, penalaan halus atau kebergantungan yang lebih rendah terhadap API proprietari, Qwen3.8-27B ialah pilihan yang serius. Intelligence Index 52 meletakkannya hampir dengan GPT-5.6 Luna dan di atas GPT-5.6 Terra dalam perbandingan khusus ini.

Bagi perusahaan yang mengutamakan penskalaan segera, kebolehpercayaan terurus atau tetingkap konteks yang lebih besar, model frontier hosted mungkin masih lebih sesuai. Pemilihan model sepatutnya mengambil kira kos keseluruhan, keperluan privasi, perkakasan, lesen, tahap sokongan dan aliran kerja sebenar—bukan benchmark atau jumlah parameter sahaja.

Qwen3.8-27B belum membuktikan bahawa AI frontier telah menjadi komoditi sepenuhnya. Tetapi ia menunjukkan sesuatu yang lebih praktikal: keupayaan open-weight yang kuat sedang tersebar dengan pantas. Akibatnya, pembangunan tempatan, penyesuaian model dan kebebasan daripada satu penyedia cloud semakin menjadi kelebihan persaingan utama.