Qwen3.8-27B 對決 GPT-5.6 Luna：開放權重模型以 52 分追上雲端 AI

Alibaba 的 Qwen3.8-27B 正成為新一輪開放權重 AI 模型中最受關注的作品之一。這款擁有 270 億參數的模型，據 Artificial Analysis 的資料，在 Intelligence Index 取得 52 分，與 OpenAI 的 GPT-5.6 Luna 在最高推理設定下看齊。

這個結果最值得留意的地方，未必是「中國 AI 已經全面超越美國前沿模型」，而是開發者現在可以用一款能夠本地部署的模型，接近部分昂貴、封閉式雲端服務的整體能力。

先釐清三個容易混淆的地方

Qwen3.8-27B 並不是純文字模型。它被描述為原生多模態 dense 模型，支援圖片及影片輸入，原生上下文視窗為 262,144 個 token，並以 Apache 2.0 授權發布。

另外，外界提到的 revenue sharing（收入分成）要求，並不是針對 27B 版本，而是與擁有 2.4 萬億參數的旗艦 Qwen3.8-Max 所採用的另一套商業授權條款有關。 因此，企業評估 Qwen 家族時，必須逐個模型查看授權，不能把不同版本的條款混為一談。

至於部分平台顯示的「每百萬 token 零成本」，也不應直接理解為 Alibaba Cloud 永久及統一的官方價格。現有資料顯示，Qwen3.8-27B 的託管端點當時仍可能處於陸續推出階段，而且不同供應商的定價亦有所不同。

Intelligence Index：Qwen3.8-27B 排在甚麼位置？

Artificial Analysis 的 Intelligence Index 是一個綜合指標，涵蓋九項評測，包括程式編寫、科學、推理、專業工作及其他高難度任務。 它適合用作整體比較，但不代表模型在每一種實際工作流程或 agent 任務中都會有相同表現。

模型及設定	Intelligence Index
Claude Opus 4.8，adaptive reasoning／max effort	57
DeepSeek V4 Pro 0813，reasoning／max effort	53
GLM-5.2，max	53
Qwen3.8-27B	52
GPT-5.6 Luna，max	52
GPT-5.6 Terra，high	50

最穩妥的解讀是：在這項指標及指定設定下，Qwen3.8-27B 追平 GPT-5.6 Luna，並高過 GPT-5.6 Terra；但現有數據不足以支持它在整體能力上超越 Claude Opus 4.8、DeepSeek V4 Pro 或 GLM-5.2。

有報道指 Qwen3.8-27B 的 Agentic Index 為 51。 不過，亦有資料只列出它在 τ²-Bench 的單項結果為 48%，而單項百分比並不等同於完整的 Agentic Index。 因此，目前不宜把不同評測指標拼在一起，製作一張看似精確但未必可靠的 agent 能力排行榜。

27B 模型為何仍然有實際價值？

Qwen3.8-27B 的吸引力，不只是得分高，而是它把相當強的能力放進一個可以自行掌控的部署模式之中。開放權重意味着團隊可以下載模型，在私有硬件上運行，按需要量化及微調，再接入自己的產品或 agent 系統，而不必完全依賴單一 API 供應商。

這對以下場景尤其有用：

• 私人或企業內部的程式開發；
• 對資料私隱及資料留存有嚴格要求的工作；
• 需要離線運行的應用；
• 對延遲及網絡依賴敏感的服務；
• 需要自行微調模型的專門工作流程。

Apache 2.0 授權亦讓使用、修改、再發布及商業應用相對直接，但實際使用仍須遵守授權本身的條款。 這與只能透過雲端端點使用的 proprietary 模型，有本質上的分別。

當然，兩者並非完全對等。雲端模型通常已經包括基礎設施、可用性、彈性擴展、更新、監控及維護；自行部署則要由使用者承擔顯示卡或加速器、記憶體、電力、調校、可靠性及日常運維成本。token 價格顯示為零，並不代表總擁有成本也是零。

不要只看參數數字

用參數量直接比較不同公司的模型，很容易得出誤導性結論。Qwen3.8-27B 是 dense 模型，每次推理都會使用整個模型；其他開放權重模型則可能採用 mixture-of-experts（MoE）架構，將總參數量與推理時實際啟用的參數量分開計算。

例如，Artificial Analysis 將 DeepSeek V4 Pro 記錄為約 1.6 萬億總參數、49 億活躍參數；GLM-5.2 則為約 7,530 億總參數、40 億活躍參數。 這些數字並不能直接與 dense 模型的一個參數總數作一對一比較。

同樣地，Qwen3.8-Max 所報道的 2.4 萬億參數、Kimi K3 所指的 2.8 萬億參數，以及部分美國模型未有公開的規模，都只能視為架構或規模資料，而不是能力排名。訓練數據、後訓練方法、推理預算、工具使用、模型稀疏度及 serving stack 的效率，都可能比一個吸睛的參數數字更影響實際表現。

對美國 AI 基礎設施投資意味着甚麼？

Qwen3.8-27B 的表現，並不代表美國大型資料中心投資回報欠佳。前沿 AI 系統需要龐大的訓練吞吐量、研究迭代能力、大規模 serving、安全測試、可靠性工程、多模態處理及高難度任務能力；這些都不是單一綜合分數可以完全反映。

但它確實顯示，規模本身未必再是唯一而且不可逾越的優勢。更好的後訓練、更高效的推理、蒸餾、專門化數據管道，以及開放發布策略，都可以令較小的模型在真實應用中變得非常有競爭力。

所以，AI 基礎設施的問題已不只是「誰擁有最大的模型」，而是：

• 誰能提供更佳的性能與成本比例？
• 誰掌握最多部署及分發渠道？
• 誰能建立最容易使用的工具及硬件生態？
• 誰能讓企業在私隱、授權及運維之間取得平衡？

Alibaba 的開放權重策略，如何影響中美 AI 競爭？

Alibaba 表示，Qwen 家族已推出超過 460 款開放模型，並在六個月內累積超過 30 億次全球下載。 這些是公司公布的生態系數字，反映的是觸及範圍，並不等同於獨立活躍用戶、收入或已驗證的生產環境使用量。Hugging Face 的相關獨立統計則顯示，2026 年單在該平台，Qwen 模型約有 20.45 億次下載。

開放權重的優勢，在於採用可以不斷累積。開發者、雲端供應商、硬件廠商及地區整合商，可以圍繞模型權重建立微調版本、量化版本及專門產品，不必等待 Alibaba 透過自家 API 逐項推出功能。

如果裝置及 AI 加速器廠商同時提供優化支援，本地推理的速度及部署便利程度亦可能進一步提升。這樣一來，競爭焦點就不只是誰的閉源模型跑分最高，而是誰能夠建立最大的開發者群體、硬件支援、部署渠道及衍生模型網絡。

兩套授權策略亦值得留意：27B 版本採用 Apache 2.0，有利於最大化採用率；Qwen3.8-Max 則使用另一套商業條款，為 Alibaba 從大型商業部署中取得價值保留了空間。

開發者及企業應該怎樣選？

如果團隊重視資料控制、本地運行、微調能力，以及減少對封閉 API 的依賴，Qwen3.8-27B 是一個值得認真評估的選項。在 Artificial Analysis 的這次比較中，它以 52 分追平 GPT-5.6 Luna，並高過 GPT-5.6 Terra。

但如果企業更重視即時擴展、託管可靠性、服務級別協議，或者需要更大的上下文視窗，雲端前沿模型仍可能更適合。實際選型不應只看 benchmark 或參數量，而要一併考慮總成本、資料私隱、硬件要求、授權限制，以及模型在指定工作流程中的表現。

Qwen3.8-27B 並未證明前沿 AI 已經完全商品化，也未能單憑一項指標判定中美 AI 誰勝誰負。它證明的是另一件更實際的事：高性能開放權重能力正在快速普及，本地部署、模型客製化及擺脫單一雲端供應商，已經逐漸變成 AI 市場中的核心競爭力。