คำตอบเผยแพร่แล้ว26 แหล่งที่มา
Qwen3.8-27B: โมเดล AI 27B ที่พาโค้ดระดับแนวหน้ามาอยู่บนเครื่องส่วนตัว
Qwen3.8 27B เป็นโมเดลมัลติโมดัลแบบ dense ขนาด 27 พันล้านพารามิเตอร์ รองรับข้อความ ภาพ และวิดีโอ และสามารถรันแบบควอนไทซ์ด้วย RAM หรือ VRAM ราว 17GB ในการตั้งค่าขั้นต่ำ จุดเด่นคือการนำไปใช้งานในเครื่องได้ภายใต้ไลเซนส์ Apache 2.0 มี context window ดั้งเดิมราว 262K โทเคน และรองรับ Transformers, vLLM, SGLang รวมถึงแพ็กเก...
เผยแพร่โดยแก้ไขด้วย GPT-5.6 Lunaรูปภาพสร้างด้วย GPT Image 1.5
คำตอบการวิจัย
ประเด็นสำคัญ
- Qwen3.8 27B เป็นโมเดลมัลติโมดัลแบบ dense ขนาด 27 พันล้านพารามิเตอร์ รองรับข้อความ ภาพ และวิดีโอ และสามารถรันแบบควอนไทซ์ด้วย RAM หรือ VRAM ราว 17GB ในการตั้งค่าขั้นต่ำ
- จุดเด่นคือการนำไปใช้งานในเครื่องได้ภายใต้ไลเซนส์ Apache 2.0 มี context window ดั้งเดิมราว 262K โทเคน และรองรับ Transformers, vLLM, SGLang รวมถึงแพ็กเกจ GGUF จากชุมชน
- ฉายา “local Opus 4.6” สะท้อนประสิทธิภาพในบางการทดสอบและความประหยัดด้านฮาร์ดแวร์ แต่ยังไม่ใช่หลักฐานว่าโมเดลนี้เทียบเท่าโมเดลคลาวด์ระดับแนวหน้าในทุกงาน
AI พรอมต์
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Alibaba Qwen3.8-27B, the open-source Apache 2.0 model that topped Hugging Face’s global trending chart within two days, exceeded one. Article summary: Alibaba Qwen3.8-27B is a 27-billion-parameter, dense, open-weight multimodal model aimed at local agentic coding, tool use, and computer-use workloads. Its “local Opus 4.6” nickname is directionally useful for selected b. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
Qwen3.8-27B กำลังได้รับความสนใจในฐานะโมเดล AI แบบโอเพนเวตจาก Alibaba ที่มีขนาด 27 พันล้านพารามิเตอร์ แต่สามารถนำไปรันในเครื่องของผู้ใช้ได้หลังผ่านการควอนไทซ์ จุดขายของมันไม่ใช่เพียงคะแนนทดสอบที่สูง แต่คือการนำความสามารถด้านการเขียนโค้ด การให้เหตุผล การใช้เครื่องมือ และการควบคุมคอมพิวเตอร์มาอยู่บนฮาร์ดแวร์ที่เล็กและมีต้นทุนต่ำกว่าระบบ AI ระดับแนวหน้าโดยทั่วไป 1
4
โมเดลหลัก Qwen3.8 มียอดดาวน์โหลดทะลุหนึ่งล้านครั้งภายในเวลาไม่กี่วัน ขณะที่รุ่นควอนไทซ์ของ Unsloth มีรายงานยอดดาวน์โหลด 2.7 ล้านครั้งในเวลาต่อมา อย่างไรก็ตาม ตัวเลขเหล่านี้เป็นสถิติบนแพลตฟอร์มที่เปลี่ยนแปลงตามเวลา ไม่ใช่หลักฐานยืนยันคุณภาพของโมเดลโดยตรง 48
54
56
Qwen3.8-27B คืออะไร
Qwen3.8-27B เป็นโมเดลแบบ dense ไม่ใช่โมเดล Mixture of Experts หรือ MoE โดยรองรับอินพุตทั้งข้อความ ภาพ และวิดีโอ เอกสารโมเดลระบุว่ามี context window ดั้งเดิม 262,144 โทเคน และสามารถขยายได้ถึง 1 ล้านโทเคน ขณะที่เอกสาร Unsloth บางส่วนปัดตัวเลขเป็น 256K ดังนั้นผู้ใช้งานควรตรวจสอบรายละเอียดกับ checkpoint และระบบเสิร์ฟที่เลือกใช้อีกครั้ง 4
1
โมเดลเปิดโหมดคิดหรือ thinking mode ไว้เป็นค่าเริ่มต้น และมีตัวควบคุม reasoning_effort สำหรับปรับระดับการให้เหตุผล ค่าเริ่มต้น xhigh อาจสร้างกระบวนการคิดที่ยาวและใช้เวลานานกว่า ส่วนระดับ medium หรือ low เหมาะกับผู้ที่ต้องการลดเวลาแฝงและการใช้ทรัพยากร โดยแลกกับความลึกของการวิเคราะห์บางส่วน 6
19
น้ำหนักโมเดลเผยแพร่ภายใต้ไลเซนส์ Apache 2.0 ตามรายงานเกี่ยวกับการเปิดตัว โดยทั่วไปไลเซนส์นี้อนุญาตให้ใช้งานเชิงพาณิชย์ ดัดแปลง และแจกจ่ายต่อได้ ภายใต้เงื่อนไขของไลเซนส์ รวมถึงข้อผูกพันอื่นที่อาจเกี่ยวข้องกับซอฟต์แวร์หรือข้อมูลประกอบ 10
ทำไมจึงถูกเรียกว่า “Opus 4.6 ฉบับรันในเครื่อง”
ฉายา “local Opus 4.6” เกิดจากการผสมกันของสามปัจจัย ได้แก่ ขนาดโมเดลที่ไม่ใหญ่มาก ความต้องการฮาร์ดแวร์ที่เข้าถึงได้ และคะแนนทดสอบบางรายการที่แข่งขันกับ Claude Opus 4.6 Max ได้ โดยผลเปรียบเทียบของ Qwen ระบุว่า Qwen3.8-27B นำ Opus ในบางงานด้านการเขียนโค้ดและเวิร์กโฟลว์ แต่ Opus ยังคงนำในอีกหลายการทดสอบ 7
22
| การทดสอบ | Qwen3.8-27B | Opus 4.6 Max | สิ่งที่ผลทดสอบบอกได้ |
|---|---|---|---|
| SWE-bench Pro | 61.7 | 53.4 | Qwen นำในการเปรียบเทียบด้านวิศวกรรมซอฟต์แวร์ที่รายงาน |
| Terminal-Bench 2.1 | 73.0 | 78.2 | Opus นำในงานเอเจนต์ที่ต้องทำงานผ่านเทอร์มินัล |
| NL2Repo-Bench | 42.3 | 47.6 | Opus นำในงานสร้างโค้ดระดับรีโพซิทอรี |
| DeepSWE 1.1 | 42.2 | ไม่ระบุ | Qwenพัฒนาขึ้นมากจาก Qwen3.6-27B ที่ได้ 13.3 |
| LiveCodeBench v6 | 90.3 | 88.8 | Qwen นำในการเปรียบเทียบที่รายงาน |
| GPQA-Diamond | 89.2 | 91.3 | Opus นำในโจทย์การให้เหตุผลระดับยาก |
| Humanity’s Last Exam | 30.8 | 40.0 | Opus ยังมีคะแนนนำค่อนข้างมาก |
| CoWorkBench | 70.7 | 68.2 | Qwen นำเล็กน้อยในงานสำนักงานระยะยาว |
| OSWorld-Verified | 84.3 | 72.7 | Qwen นำในการเปรียบเทียบด้านการควบคุมคอมพิวเตอร์ |
ตัวเลขเหล่านี้ส่วนใหญ่มาจากการประเมินและการเปรียบเทียบใน model card ของ Qwen ซึ่งใช้ระบบทดสอบและการตั้งค่าที่แตกต่างกัน ข้อสรุปที่ปลอดภัยกว่าคือ Qwen3.8-27B มีความสามารถโดดเด่นเมื่อพิจารณาจากขนาด โดยเฉพาะงานเขียนโค้ด การควบคุมคอมพิวเตอร์ และงานเอเจนต์สำนักงาน ไม่ใช่การยืนยันว่าโมเดลนี้ชนะ Opus, DeepSeek, GPT หรือโมเดลระดับแนวหน้ารุ่นใหม่ในทุกประเภทงาน 7
22
34
คะแนนสะท้อนว่าโมเดลนี้เก่งด้านไหน
จุดแข็งของ Qwen3.8-27B อยู่ที่งานซึ่งต้องทำตามคำสั่ง เขียนหรือแก้ไขโค้ด ใช้คอมพิวเตอร์ หรือทำเวิร์กโฟลว์ที่มีโครงสร้างชัดเจน คะแนน SWE-bench Pro ที่ 61.7 สูงกว่าคะแนน 53.4 ของ Opus 4.6 Max ในการเปรียบเทียบที่รายงาน และ CoWorkBench ที่ 70.7 ก็สูงกว่า 68.2 เล็กน้อย 34
แต่เมื่อเป็นงานที่ต้องโต้ตอบกับเทอร์มินัลในระดับยาก สร้างโค้ดจากทั้งรีโพซิทอรี หรือใช้ความรู้และการให้เหตุผลเชิงลึก ภาพจะเปลี่ยนไป Opus ได้ 78.2 เทียบกับ Qwen ที่ 73.0 ใน Terminal-Bench, 47.6 เทียบกับ 42.3 ใน NL2Repo-Bench, 91.3 เทียบกับ 89.2 ใน GPQA-Diamond และ 40.0 เทียบกับ 30.8 ใน Humanity’s Last Exam 34
ดังนั้นคำว่า “ระดับ frontier” หรือ “ระดับแนวหน้า” อาจทำให้เข้าใจเกินจริง หากนำไปใช้เป็นคำตัดสินแบบครอบจักรวาล ประสิทธิภาพของเอเจนต์ขึ้นอยู่กับชุดทดสอบ เครื่องมือ พรอมป์ ความยาวบริบท งบประมาณการคิด ค่าการสุ่ม และการใช้งานผ่าน coding agent ตัวใดตัวหนึ่งด้วย แหล่งข้อมูลหนึ่งยังระบุว่าหลักฐานอิสระที่ยืนยันความเหนือกว่า Opus ในวงกว้างยังมีจำกัด 7
ส่วนคำกล่าวว่า Qwen3.8-27B ทำได้ใกล้เคียง DeepSeek V4-Pro หรือ GPT 5.6 Luna ควรอ่านในฐานะการรายงานเชิงเปรียบเทียบแบบกว้าง ๆ ไม่ใช่ข้อสรุปจากชุดทดสอบเดียวที่ควบคุมเงื่อนไขเหมือนกันทั้งหมด 10
21
ต้องใช้ฮาร์ดแวร์แค่ไหน
ความต้องการจริงขึ้นอยู่กับรูปแบบ checkpoint ระดับควอนไทซ์ ความยาว context และการเปิดใช้งานความสามารถด้านภาพหรือเอเจนต์
- RAM หรือ VRAM ราว 17GB: Unsloth นำเสนอการตั้งค่าควอนไทซ์ที่ทำงานได้ในช่วงนี้ แต่ควรมองเป็นขีดขั้นต่ำในการโหลดโมเดล ไม่ใช่การรับประกันความเร็วสูง การใช้ context ยาว การประมวลผลภาพและวิดีโอ หรือการรันเอเจนต์หลายตัวพร้อมกัน
1
- GPU 24GB: การรันแบบ 4-bit มักถูกนำเสนอว่าเหมาะกับการ์ดจอขนาด 24GB แต่จะเหลือพื้นที่น้อยลงสำหรับ context window ขนาดใหญ่และหน่วยความจำของระบบรันไทม์
4
- Mac ที่มี unified memory 32GB: การตั้งค่าแบบ 4-bit สามารถใช้งานบน Mac ที่มีหน่วยความจำรวมราว 32GB ตามคำอธิบายการติดตั้ง
- GPU เวิร์กสเตชันระดับสูง: การรัน FP8 หรือควอนไทซ์คุณภาพสูงจะสะดวกกว่าบนระบบที่มี VRAM ราว 32GB ส่วนการ์ด 24GB เหมาะกับน้ำหนักแบบ 4-bit มากกว่า
- การ offload ไปยัง CPU หรือ RAM: ทำได้กับรุ่นควอนไทซ์ขนาดเล็กกว่า แต่โดยทั่วไปจะช้ากว่าการเก็บโมเดลและหน่วยความจำทำงานไว้บน GPU ที่มีประสิทธิภาพเพียงพอ
ข้อจำกัดไม่ได้อยู่ที่ขนาดไฟล์โมเดลเพียงอย่างเดียว Context ที่ยาวขึ้นต้องใช้หน่วยความจำเพิ่มเติมสำหรับ KV cache ส่วนอินพุตภาพและวิดีโอก็เพิ่มภาระการประมวลผลด้วย ระบบที่โหลดน้ำหนักโมเดลได้อาจยังไม่เหมาะกับการเขียนโค้ดแบบโต้ตอบเร็ว ๆ หรือเอเจนต์ที่ควบคุมคอมพิวเตอร์
ตัวเลือกควอนไทซ์: จากโน้ตบุ๊กไปจนถึงคุณภาพสูง
รุ่น Atomic Dynamic GGUF จากชุมชนมีขนาดประมาณ 28.9GB ที่ 8-bit ไปจนถึง 8.5GB ที่ 1-bit โดยรุ่น AD-IQ3_S ขนาด 13.84GB ถูกอธิบายว่าเป็นตัวเลือกที่สมเหตุสมผลกว่าสำหรับการโหลดโมเดลไว้ในเครื่องที่มีหน่วยความจำ 16GB อย่างไรก็ตาม การลดจำนวนบิตมากเกินไปอาจทำให้คุณภาพลดลงอย่างเห็นได้ชัด 3
9
11
การควอนไทซ์คือการจัดเก็บน้ำหนักโมเดลด้วยจำนวนบิตที่น้อยลง เพื่อลดการใช้หน่วยความจำ แต่มีข้อแลกเปลี่ยน ได้แก่
- ความแม่นยำและคุณภาพคำตอบอาจลดลงเมื่อบีบอัดมากขึ้น
- เหลือพื้นที่สำหรับ context และ KV cache น้อยลง
- ความน่าเชื่อถือด้านภาพ วิดีโอ และการใช้เครื่องมืออาจลดลง
- ความเร็วแตกต่างกันตามโปรเซสเซอร์และ runtime
- รองรับคำขอพร้อมกันได้น้อยลง
อีกทางเลือกคือ FP8 ซึ่งเน้นรักษาคุณภาพไว้พร้อมลดการใช้หน่วยความจำเมื่อเทียบกับน้ำหนักความละเอียดสูงกว่า รีโพซิทอรี FP8 อย่างเป็นทางการระบุว่าใช้ fine-grained block quantization และรองรับ Transformers, vLLM, SGLang และ TokenSpeed 40
ซอฟต์แวร์และระบบเสิร์ฟที่รองรับ
ไฟล์อย่างเป็นทางการบน Hugging Face ระบุการรองรับ Transformers, vLLM, SGLang และระบบเสิร์ฟที่เกี่ยวข้อง รวมถึงมี checkpoint แบบ FP8 สำหรับระบบที่รองรับรูปแบบดังกล่าว 19
40
ผู้ใช้ทั่วไปอาจเลือก Ollama ผ่านไฟล์ GGUF และแพ็กเกจจากชุมชนเพื่อให้เริ่มต้นได้ง่าย แต่ไม่ควรสับสนว่านั่นคือการรับรองอย่างเป็นทางการแบบเดียวกับไฟล์ Transformers, vLLM หรือ SGLang การเลือกเครื่องมือควรขึ้นอยู่กับเป้าหมายว่าเน้นติดตั้งบนเดสก์ท็อปให้สะดวก ฝึกจูนโมเดล ต้องการ throughput สูง หรือจะเชื่อมต่อเข้ากับระบบเอเจนต์แบบกำหนดเอง
ทำไมการเปิดตัวครั้งนี้จึงสำคัญ
Qwen3.8-27B ลดกำแพงในการทดลองสร้างเอเจนต์สำหรับเขียนโค้ดและควบคุมคอมพิวเตอร์แบบเป็นส่วนตัว องค์กรสามารถรันโมเดลไว้ภายในสภาพแวดล้อมของตนเอง แทนการส่งทุกพรอมป์ ซอร์สโค้ด ภาพหน้าจอ หรือคำสั่งปฏิบัติงานไปยัง API บนคลาวด์ อีกทั้งยังสามารถตรวจสอบ ดัดแปลง และผสานโมเดลเข้ากับซอฟต์แวร์ภายใต้ไลเซนส์ที่ระบุ 1
10
อย่างไรก็ตาม การรันในเครื่องไม่ได้แปลว่าปลอดภัยโดยอัตโนมัติ เอเจนต์ที่แก้ไขรีโพซิทอรี รันคำสั่ง shell เปิดเว็บไซต์ หรือควบคุมเดสก์ท็อปได้ ควรทำงานใน sandbox และได้รับสิทธิ์เท่าที่จำเป็นเท่านั้น การเก็บข้อมูลไว้ในอุปกรณ์ช่วยลดความเสี่ยงบางประเภท แต่ไม่ได้กำจัดปัญหา prompt injection, โค้ดอันตราย, การใช้เครื่องมือผิดวัตถุประสงค์ หรือความผิดพลาดของโมเดล
ความสำคัญที่แท้จริงจึงอยู่ที่ต้นทุนและการปฏิบัติงาน: โมเดลขนาด 27B ที่มีผลทดสอบด้านโค้ดและการควบคุมคอมพิวเตอร์ที่แข็งแกร่งในบางงาน ทำให้การทดลองเอเจนต์ระดับสูงเกิดขึ้นได้บนคอมพิวเตอร์ผู้บริโภคระดับสูงเพียงเครื่องเดียว มันยังไม่เข้ามาแทนที่โมเดลคลาวด์ที่แข็งแกร่งที่สุดในทุกโจทย์ แต่ช่วยลดช่องว่างระหว่าง “ความเป็นส่วนตัวของการรันในเครื่อง” กับ “ความสามารถระดับแนวหน้า” ลงอย่างชัดเจน
สรุป
Qwen3.8-27B ควรถูกมองว่าเป็นหมุดหมายด้านประสิทธิภาพและการเข้าถึง มากกว่าจะเป็นตัวแทน Opus ที่พิสูจน์แล้วว่าเหนือกว่าทุกด้าน โมเดลนี้รวมความสามารถมัลติโมดัล context ยาว การปรับระดับการให้เหตุผล ไลเซนส์แบบเปิด และตัวเลือกควอนไทซ์ที่หลากหลายเข้าด้วยกัน พร้อมผลทดสอบที่แข่งขันได้จริงในงานเขียนโค้ด งานสำนักงาน และการควบคุมคอมพิวเตอร์บางประเภท 4
19
34
สำหรับนักพัฒนา โมเดลนี้เหมาะแก่การนำไปทดลองในเครื่อง หากให้ความสำคัญกับความเป็นส่วนตัว การควบคุมการติดตั้ง และเวิร์กโฟลว์ coding agent แต่หากจะสรุปว่า Qwen3.8-27B มีความสามารถเทียบเท่าโมเดลระดับแนวหน้าในวงกว้าง ควรรอหลักฐานจากการทดสอบอิสระที่ควบคุมเงื่อนไขได้มากกว่านี้ และพิจารณาข้อจำกัดของแต่ละ benchmark ควบคู่กับคะแนนพาดหัวเสมอ
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "Qwen3.8-27B: โมเดล AI 27B ที่พาโค้ดระดับแนวหน้ามาอยู่บนเครื่องส่วนตัว" คืออะไร
Qwen3.8 27B เป็นโมเดลมัลติโมดัลแบบ dense ขนาด 27 พันล้านพารามิเตอร์ รองรับข้อความ ภาพ และวิดีโอ และสามารถรันแบบควอนไทซ์ด้วย RAM หรือ VRAM ราว 17GB ในการตั้งค่าขั้นต่ำ
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
Qwen3.8 27B เป็นโมเดลมัลติโมดัลแบบ dense ขนาด 27 พันล้านพารามิเตอร์ รองรับข้อความ ภาพ และวิดีโอ และสามารถรันแบบควอนไทซ์ด้วย RAM หรือ VRAM ราว 17GB ในการตั้งค่าขั้นต่ำ จุดเด่นคือการนำไปใช้งานในเครื่องได้ภายใต้ไลเซนส์ Apache 2.0 มี context window ดั้งเดิมราว 262K โทเคน และรองรับ Transformers, vLLM, SGLang รวมถึงแพ็กเกจ GGUF จากชุมชน
ฉันควรทำอย่างไรต่อไปในทางปฏิบัติ?
ฉายา “local Opus 4.6” สะท้อนประสิทธิภาพในบางการทดสอบและความประหยัดด้านฮาร์ดแวร์ แต่ยังไม่ใช่หลักฐานว่าโมเดลนี้เทียบเท่าโมเดลคลาวด์ระดับแนวหน้าในทุกงาน