2026 年 8 月 3 日，阿里巴巴 Qwen 團隊正式發布 Qwen3.8-Max。這款旗艦模型採用 2.4 兆總參數、每次推論啟用 950 億參數的稀疏混合專家架構，支援最長 100 萬 Token 的上下文，以及文字、圖片與影片輸入。8 月 12 日與 14 日，Qwen 又陸續釋出 2.4T-A95B 與 27B 開放權重模型，讓企業第一次同時面對三種不同的導入路徑：直接使用 Max API、自建超大型 MoE 叢集，或以 27B 模型進行較務實的地端部署。
這次發布值得台灣企業注意，原因不在「參數又變大」，而是三個更實際的改變。第一，Qwen 首度開放 Max 等級模型的權重；第二，模型評測從單輪問答轉向程式開發、工具操作與長時間任務；第三，同一個 Qwen3.8 名稱下，雲端版與開放權重版的功能並不相同。若沒有先分清楚版本，企業很容易用錯 benchmark、低估硬體需求，或把雲端版的多模態能力誤認為地端版也完整具備。
一、版本先看懂：Qwen3.8-Max、2.4T-A95B 與 27B 不是同一項產品
依據 Qwen 官方發布說明與 Alibaba Group 公告，Qwen3.8-Max 是 8 月 3 日先上線的雲端旗艦服務；後續釋出的 Qwen3.8-2.4T-A95B，則是其開放權重基礎版本。Qwen3.8-27B 的定位又不同，它犧牲一部分旗艦規模，換取單機或小型伺服器部署的可行性。
| 項目 | Qwen3.8-Max API | Qwen3.8-2.4T-A95B | Qwen3.8-27B |
|---|---|---|---|
| 取得方式 | QwenCloud／Alibaba Cloud API | 開放權重、自行部署 | 開放權重、自行部署 |
| 模型規模 | 2.4T 總參數、95B 活躍 | 2.4T 總參數、95B 活躍 | 27B Dense |
| 主要輸入 | 文字、圖片、影片 | 文字 | 文字、圖片、影片 |
| 原生上下文 | 1M Token | 262K Token，可延伸至約 1M | 262K Token，可延伸至約 1M |
| 推理模式 | Thinking／Non-thinking | 以 Thinking 為主 | 可依請求控制 Thinking |
| 內建工具 | 搜尋、程式執行、網頁擷取等 | 由部署方自行整合 | 由部署方自行整合 |
| 適合對象 | 快速 PoC、長文件、多模態 Agent | 大型 AI 基礎設施團隊 | 資料敏感、地端 Agent、開發測試 |
表格中最重要的一列是「取得方式」。Max API 包含模型、推論服務、快取、工具與擴充功能；開放權重版只提供模型本身。企業自行部署時，還要補上推論引擎、權限控管、日誌、監控、工具沙箱與版本管理。🔗 這也是我們在 AI Agent 開發實務中反覆提醒的差異：模型只是 Agent 系統的一部分，真正影響穩定度的往往是外部執行環境。
二、架構解讀：2.4 兆參數不等於每次都跑 2.4 兆
Qwen3.8-Max 採用稀疏 Mixture-of-Experts（MoE）與混合注意力架構。模型雖有 2.4 兆總參數，但每個 Token 只啟用約 950 億參數。這讓模型可以把大量知識與能力分散到不同專家模組，同時避免每次推論都使用完整參數量。
根據開放權重模型卡，2.4T-A95B 共有 92 層、512 個專家，每個 Token 會路由至 10 個專家，另加 1 個共享專家。注意力層則交錯使用 Gated DeltaNet 與 Gated Attention；前者降低長上下文計算負擔，後者保留需要精確注意力時的能力。模型也使用 Multi-Token Prediction，一次預測多個候選 Token，以提高推論吞吐量。
對企業而言，這套架構有三個直接影響：
- 活躍參數影響運算速度，總參數影響儲存與記憶體。950 億活躍參數有助於控制單次推論成本，但 2.4 兆權重仍須常駐在多張 GPU 或分散式記憶體中。
- 長上下文不是免費功能。上下文從 32K 增加至 262K 或 1M 時，KV cache、首字延遲與整體費用都會上升。企業不應把「可支援 1M」直接等同於「每次都應使用 1M」。
- MoE 更依賴叢集與通訊品質。專家路由會增加跨 GPU 資料交換，實際吞吐量取決於推論引擎、GPU 互連與批次調度，而不只取決於顯卡型號。
🔗 若企業正評估如何提高現有叢集效益，可先參考 提高 GPU 使用率的實務方法。對 MoE 模型而言，GPU 是否被有效排程，往往比單張 GPU 的理論峰值更接近實際成本答案。
三、Benchmark 怎麼看：Qwen3.8 很強，但不能只抄官方排行榜
Qwen 公布的評測橫跨程式開發、桌面操作、研究、工具使用、文件與影片理解。幾項與企業工作負載較相關的成績如下：
| 評測 | Qwen3.8-Max 官方成績 | 測試重點 | 解讀限制 |
|---|---|---|---|
| Terminal-Bench 2.1 | 86.6 | 終端機與環境操作 | Harness、工具權限會影響結果 |
| SWE-bench Pro | 67.7 | 真實程式庫問題修復 | 不代表所有語言與內部程式庫 |
| PaperBench | 93.0 | 重現研究論文與實驗 | 使用模型裁判，且有時間上限 |
| OSWorld-Verified | 86.1 | 桌面軟體操作 | 仍需檢查實際企業應用相容性 |
| Toolathlon-Verified | 72.5 | 多工具協作 | 官方比較表中仍有其他模型領先 |
| WebArena-Verified | 66.8 | 網頁任務執行 | 網站變動與安全政策會改變結果 |
這些數字來自 Qwen 的發布資料，不是所有項目都由同一個獨立機構重跑。第三方整理頁也特別把它們標示為 provider-reported；EvoLink 的評測解讀指出，相同模型換到不同 Harness、工具政策或推理預算後，結果不一定能直接重現。BenchLM 的資料頁也顯示 Qwen3.8-Max 並非每項測試都領先，例如 Toolathlon、HLE 與部分桌面任務仍有明顯差距。
企業選型時，建議將公開 benchmark 分成三層：
- 第一層看能力方向：模型是否具備 Coding、工具使用、多模態或長文件能力。
- 第二層看測試條件：Harness、推理強度、工具、Token 預算與裁判模型是否一致。
- 第三層跑自己的黃金測試集：用 20 至 50 個真實任務比較成功率、人工修正時間、延遲與完整成本。
🔗 MCP 與 AI Agent 的整合方式也值得納入測試，因為企業最後採購的通常不是「一個會答題的模型」，而是一套能安全連接資料與工具的執行系統。
四、雲端成本：每百萬 Token 只是起點，不是完整帳單
截至 2026 年 8 月 19 日，QwenCloud 官方定價如下：
| Token 類型 | Qwen3.8-Max 價格 |
|---|---|
| 輸入 | US$2／百萬 Token |
| 輸出 | US$6／百萬 Token |
| 隱式快取輸入 | US$0.25／百萬 Token |
| 顯式快取建立 | US$2.50／百萬 Token |
| 顯式快取讀取 | US$0.17／百萬 Token |
這組價格對長文件與重複提示特別有吸引力，但企業仍應另外計算四項成本：推理模式產生的隱藏 Token、搜尋與程式執行等工具費用、失敗重試，以及人員驗證結果的時間。若 Agent 一次跑數十分鐘並呼叫多個外部系統，輸入／輸出 Token 通常只占總成本的一部分。
快取也不是「打開就省錢」。只有大量請求共享相同前綴，例如固定政策、產品手冊或程式庫背景，快取才容易命中。若每次任務都帶入完全不同的文件，帳面上的 US$0.17 快取讀取價格便沒有太大意義。
🔗 對尚未決定使用雲端 API 或自行採購 GPU 的團隊，可以搭配 雲端與地端部署比較建立三年期總持有成本，而不是只比較單次 API 單價。
五、地端部署：27B 是務實起點，2.4T 是基礎設施專案
Qwen3.8-27B 採 Dense 架構，原始 BF16 權重約需 54GB 記憶體；FP8 約 27GB，4-bit 量化則約 14GB，還要另留 KV cache、影像編碼器與推論框架空間。因此，16GB 顯示記憶體雖可能在低量化與短上下文下啟動模型，但不適合作為企業正式容量規畫。24GB 至 32GB GPU 較適合進行單使用者、有限上下文的 PoC；完整 262K 上下文與多人並行服務，仍需要更多記憶體或多 GPU 配置。
2.4T-A95B 則是完全不同的等級。即使使用 4-bit 量化，光權重就接近 1.2TB，還沒有計入執行階段記憶體、KV cache、備援與網路交換。這不是「下載模型後啟動 vLLM」的單機工作，而是包含高速互連、儲存、排程、監控及容量規畫的 AI 基礎設施專案。
企業可以用以下方式選擇起點：
| 情境 | 建議起點 | 原因 |
|---|---|---|
| 想在兩週內驗證模型能力 | Qwen3.8-Max API | 不必先建置推論叢集 |
| 文件或影像任務，需要 1M context | Qwen3.8-Max API | 雲端版功能最完整 |
| 原始碼、製程或客戶資料不得離開內網 | Qwen3.8-27B | 地端部署門檻相對可控 |
| 已有多節點 GPU 叢集與推論團隊 | 先 Max API，再評估 2.4T-A95B | 先確定工作負載值得投入 |
| 需要多模型彈性與部門計費 | MaaS／共享推論平台 | 避免每個部門各建一套 |
🔗 MaaS 的企業導入方式提供另一條路：不必把所有需求押在單一模型上，而是讓不同部門依任務選擇適合的模型與硬體配置。
六、台灣企業 PoC：四週內回答六個問題
Qwen3.8 是否適合台灣企業，不能只靠英文 benchmark 判斷。繁體中文、台灣法規用語、公司內部縮寫與產業文件格式，都可能改變實際結果。建議 PoC 控制在四週，並在開始前定義六項可量化指標。
第一週：建立真實任務集
挑選 20 至 50 個日常任務，涵蓋繁中客服信、內部規章、技術文件、Excel／PDF、程式庫與需要工具操作的流程。每個任務都要有可接受答案、禁止事項與人工評分標準。
第二週：同時測 API 與 27B
Max API 用來測能力上限，27B 用來測地端可行性。兩者使用相同資料，但必須記錄不同的 context、thinking 設定、工具與量化方式，避免把不一致的測試條件混成單一排行榜。
第三週：加入權限與失敗情境
刻意放入過期文件、矛盾指令、格式錯誤、工具逾時與權限不足。企業真正需要知道的不是模型在順利情況下能做什麼，而是它遇到不確定時會停下來、亂猜，還是繼續操作。
第四週：計算每個「成功任務」的成本
同時計入 Token、GPU 時數、儲存、維運、重試與人工覆核。最後比較的是每個成功任務成本，而不是每百萬 Token 單價或每秒 Token 數。
此外，企業在正式導入前仍須確認資料儲存地點、服務條款、日誌保留、模型更新通知、第三方工具權限與退出機制。開放權重能提高自主性，但也把修補漏洞、更新模型與維運服務的責任交回企業。
🔗 若現有 GPU 需要同時供應訓練、推論與多部門 PoC，建議先建立共享資源池與排程政策，再擴大模型規模。這比先採購更多 GPU，更能看出真正的容量缺口。
七、結論：Qwen3.8 值得測，但不值得一次押滿
從台灣企業的角度看，Qwen3.8 帶來四個結構性改變：
- Max 等級開放權重成為可選項。企業不再只能在高能力與自主管理之間二選一，但 2.4T 模型的部署門檻仍非常高。
- Agent 能力開始取代單輪答題，成為主要評測場景。模型能否正確使用工具、維持長任務與產出可驗證成果，比聊天流暢度更重要。
- 雲端版與開放權重版必須分開評估。Max API 的 1M context、多模態與內建工具，不應直接當成 2.4T-A95B 地端版的既有功能。
- 27B 是多數企業更合理的自建入口。它未必代表最高能力，但更適合驗證資料不出內網、成本可控與多模型調度等真正的企業需求。
因此，我們的建議很明確：先用 Qwen3.8-Max API 建立能力基準，再用 Qwen3.8-27B 驗證資料治理與地端成本。只有當真實任務證明 27B 能力不足、Max API 又無法滿足資料或服務條件時，才值得進一步評估 2.4T-A95B 叢集。
模型發布只有一天，企業系統卻要運作好幾年。Qwen3.8 的價值，不在於讓企業立刻更換所有模型，而在於多了一套可以用真實工作負載驗證的新選項。
別讓趨勢跑在您前面。加入 7,000+ 位訂閱者的行列，定期收到精選全球關鍵趨勢！
