# Qwen3.8-27B 开源模型首次摸到前沿门槛

- 来源：AYi (@AYi_AInotes)
- 发布时间：2026-08-18 14:34
- AIHOT 分数：48
- AIHOT 链接：https://aihot.virxact.com/items/cmsyc4yic0r08roz0l91nbb4v
- 原文链接：https://x.com/AYi_AInotes/status/2089601873397338597

## AI 摘要

阿里 Qwen 开源 Qwen3.8-27B，在 Artificial Analysis Intelligence Index 拿下 52 分，与 DeepSeek V4 Pro（53 分）、GPT-5.6 Luna（52 分）等闭源旗舰同级，成为首个达到前沿能力的本地模型。

## 正文

这次本地模型的天花板可以说是@Alibaba_Qwen 一拳打碎了，标志着本地模型第一次真正摸到了frontier的门槛。

Artificial Analysis最新的Intelligence Index榜单上，阿里Qwen团队开源的Qwen3.8-27B拿了52分，

什么概念呢？
DeepSeek V4 Pro 53分，
GLM 5.2 53分，
GPT-5.6 Luna 52分，

一个27B的dense模型，和1.6T总参数的DeepSeek V4 Pro、闭源旗舰GPT-5.6 Luna站在了同一水平线上，

Cline官方原话，我们完全没预料到本地模型进步会这么快，

这是第一次有能在消费级硬件上跑的本地模型，真正摸到frontier的门槛，

Q4量化只要17GB显存，一张4090，24GB显存，跑得非常舒服，

Apache 2.0协议，原生多模态，262k上下文可扩到1M，混合注意力架构，

前代Qwen3.6-27B大概只有38分，一代跳了十几个点，

但我觉得最的不是这个分数，
是它怎么做到的，

这个模型在评测中生成了1.6亿tokens，而中位数只有4300万，极其啰嗦，

它在用更长的思维链、更多的搜索，来弥补参数量的不足，

小模型通过想得更用力来追平大模型，而本地推理的token成本接近于零，只耗电和时间，

这把test-time compute从巨头的专利，变成了普通人也能用的杠杆，

你在云端跑长思维链要烧钱，在本地跑，电费可以忽略不计，

27B的参数密度能做到这个水平，靠的是高质量的Agent轨迹后训练加架构创新，规模不再是唯一答案，智力密度比参数规模重要得多，

当然也得清醒，它的知识类评测还是偏弱，容易幻觉，更适合Coding和Agent场景，不是纯知识问答，长CoT也意味着实际延迟和功耗不低，需要主动调reasoning effort，

但这不影响这件事的里程碑意义，

以前本地能跑和真正有用之间有一道巨大的鸿沟，现在这道沟第一次被填上了，

对开发者和小团队来说，这意味着真正私有的、离线的、无限次调用的前沿级编码Agent成为可能，

云端闭源模型的纯智力护城河，正在加速瓦解，

24GB显存，就是新的能跑严肃Agent的门槛，

本地AI不再是玩具了，它第一次有资格站到真正的复杂工作流面前。

### 引用推文

> Cline：Artificial Analysis Intelligence Index puts Qwen3.8-27B at DeepSeek V4-Pro and GPT 5.6 Luna performance. This is the first time a local model has scored frontie...