特别地，Qwen3.8-27B 将作为托管版本提供，并带有更多生产级功能，例如默认100万上下文长度、官方内置工具。更多信息请参阅 Qwen3.8-27B 概述。该服务即将推出，敬请期待。

随着 Qwen3.5 和 Qwen3.6 系列被社区广泛采用，我们很高兴推出 Qwen3.8，这是迄今为止 Qwen 开源模型家族中最强大的一代。

Qwen3.8 基于 Qwen3.5 的架构基础，在编程、专业工作、研究和长程智能体任务方面均带来显著提升。Qwen3.8-27B 将这些进步带到了一个紧凑、易于部署的密集模型中：一个能够理解图像和视频的原生视觉语言模型，具有灵活的思考控制，旨在以更高的可靠性完成复杂多步任务。

Qwen3.8 亮点

Qwen3.8-27B 具有以下增强功能：

模型概述

• 类型：带视觉编码器的因果语言模型

• 训练阶段：预训练与后训练

• 语言模型 参数数量：27B

• 隐藏维度：5120

• 词元嵌入：248,320（填充后）

• 层数：64

• 隐藏布局：16 × (3 × (门控 DeltaNet → FFN) → 1 × (门控注意力 → FFN))

• 门控 DeltaNet： 线性注意力头数：V 为 48，QK 为 16

• 头维度：128

• 门控注意力： 注意力头数：Q 为 24，KV 为 4

• 头维度：256

• 旋转位置编码维度：64

• 前馈网络： 中间维度：17,408

• LM 输出：248,320（填充后）

• MTP（多词元预测）：经过多步训练

• 上下文长度：原生 262,144，可扩展至 1,000,000 词元。

基准测试结果

文本性能

1. SWE-bench Pro：除 Opus4.6 Max 使用官方报告分数外，所有模型均使用 Claude Code harness 在 temp=1.0、top_p=0.95 和 256K 上下文窗口下评估。有问题的任务已修正，所有基线模型均在精炼后的基准上重新评估。
2. NL2Repo-Bench：使用 Claude Code harness 评估。为防止奖励黑客，我们禁用了尝试访问特定仓库的 Bash 命令，例如 pip download、pip install 和 git clone。
3. DeepSWE 1.1：使用 Claude Code harness 在 temp=1.0、top_p=0.95 和 256K 上下文窗口下评估。
4. QwenSWEBench：用于评估模型软件工程能力的内部编程基准。使用 Claude Code harness 评估。报告 avg@3，超时时间 8 小时，max_tokens=32,768，temperature=1.0，256K 上下文窗口。
5. CoWorkBench：内部协作基准，用于评估计算机科学、金融、法律、医疗及其他生产力领域的长期任务。
6. HLE：由 GPT-4o 评判。
7. 每行最佳结果以粗体显示。
8. 空单元格（–）表示结果尚不可用或不适用。

视觉语言性能

1. MathVision、BabyVision 和 CharXiv (RQ)：在两种设置均可用的情况下，单元格分别报告“无 CI”和“有 CI”；否则仅显示可用设置。手动验证后，MathVision 和 CharXiv (RQ) 中少量错误的地面真值注释已修正，所有报告的基准分数均使用修正后的注释计算。
2. MathVision：Qwen3.8-27B 使用固定提示评估：“请逐步推理，并将最终答案放在 \boxed{} 中。”对于其余模型，我们报告两种提示变体中较高的分数——一种带 \boxed{} 格式要求，一种不带。
3. WebArena-Verified：分数使用官方 WebArena-Verified 评分器在 OSWorld 脚手架下计算。
4. RecreationBench：一个内部长程应用复刻基准，旨在评估跨五个平台的混合智能体能力：桌面（Ubuntu、macOS 和 Windows）、移动（Android）和 Web。
5. ClawEval-MM：分数报告为“Pass@3 / 平均分”。Pass@3 是任务在三次尝试中至少通过一次的百分比；平均分是三次尝试的平均基准分数。
6. Vision2Web：分数在前端、网页和网站类别中取平均。评估使用 Claude Code harness，并由 gpt-5.4-2026-03-05 评判。
7. SWE-MM：分数使用 SWE-bench Multimodal 的公开开发集在 Claude Code harness 上评估，并应用了 Claude Opus 4.7 系统卡附录 8.3 中描述的修改。
8. 空单元格（–）表示结果尚不可用或不适用。

快速开始

为简化集成，我们建议通过 API 使用 Qwen3.8。

服务 Qwen3.8

推理效率和吞吐量在不同框架间差异显著。 我们建议使用最新框架版本以确保最佳性能和兼容性。 对于生产工作负载或高吞吐场景，建议使用专用推理引擎，如 SGLang、vLLM 或 TokenSpeed。

Qwen3.8 可以使用流行的推理框架部署，例如：

API 使用

Qwen3.8 模型默认以思考模式运行，在生成最终响应前会生成以 <think>\n...</think>\n\n 表示的思考内容。 要禁用思考内容并获取直接响应，请参阅 此处 的示例。

我们建议使用以下采样参数集进行生成：

请注意，采样参数的支持因推理框架而异。

Qwen3.8 官方支持 reasoning_effort，可用于调整推理深度并控制成本：

此外，preserve_thinking 默认对所有工作负载启用，以提供最佳的开箱即用体验。要禁用保留思考，请参阅 此处 的示例。

在多轮智能体任务中，较低的推理努力并不总是会减少整体任务完成时间。尽管它可能产生更快的每轮响应，但也可能导致分析不足、更多失败和重复重试，这可能会增加总延迟和词元消耗。

Chat Completions API

Chat Completions API 可与大多数推理框架以及 Qwen Cloud 一起使用。 开始前，请确保已安装 OpenAI Python SDK，并配置好 API 密钥和 API 基础 URL，例如：

`pip install -U openai

按需设置以下环境变量

export OPENAI_BASE_URL=‘your-base-url’ export OPENAI_API_KEY=‘your-api-key’ `

纯文本输入

from openai import OpenAI
# 通过环境变量配置
client = OpenAI()

messages = [{"role": "user", "content": "写一个 Python 函数来合并两个有序链表。"}]

completion = client.chat.completions.create(
 model="Qwen/Qwen3.8-27B-FP8",
 messages=messages,
 extra_body={
 "chat_template_kwargs": {
 "enable_thinking": True, # 默认开启
 "preserve_thinking": True, # 默认开启
 },
 },
 reasoning_effort="xhigh", # 默认为 xhigh；支持级别为 xhigh、medium 和 low
 stream=True,
 stream_options={"include_usage": True},
)

reasoning_content = ""
answer_content = ""
is_answering = False
print("\n" + "=" * 20 + "Reasoning" + "=" * 20 + "\n")

for chunk in completion:
 if not chunk.choices:
 print("\nUsage:")
 print(chunk.usage)
 continue

 delta = chunk.choices[0].delta

 if hasattr(delta, "reasoning_content") and delta.reasoning_content is not None:
 if not is_answering:
 print(delta.reasoning_content, end="", flush=True)
 reasoning_content += delta.reasoning_content
 elif hasattr(delta, "reasoning") and delta.reasoning is not None:
 if not is_answering:
 print(delta.reasoning, end="", flush=True)
 reasoning_content += delta.reasoning

 if hasattr(delta, "content") and delta.content:
 if not is_answering:
 print("\n" + "=" * 20 + "Answer" + "=" * 20 + "\n")
 is_answering = True
 print(delta.content, end="", flush=True)
 answer_content += delta.content

messages.append({
 "role": "assistant",
 "content": answer_content,
 "reasoning_content": reasoning_content,
 "reasoning": reasoning_content,
})

图像输入

from openai import OpenAI
# 通过环境变量配置
client = OpenAI()

messages = [
 {
 "role": "user",
 "content": [
 {
 "type": "image_url",
 "image_url": {
 "url": "https://qianwen-res.oss-accelerate.aliyuncs.com/Qwen3.5/demo/CI_Demo/mathv-1327.jpg"
 }
 },
 {
 "type": "text",
 "text": "图中四个圆的圆心位于正方形的四个角。两个大圆彼此相切，也与两个小圆相切。需要将小圆的半径乘以哪个因子才能得到大圆的半径？\n选项：\n(A) $\\frac{2}{9}$\n(B) $\\sqrt{5}$\n(C) $0.8 \\cdot \\pi$\n(D) 2.5\n(E) $1+\\sqrt{2}$"
 }
 ]
 }
]

chat_response = client.chat.completions.create(
 model="Qwen/Qwen3.8-27B-FP8",
 messages=messages,
)
print("Chat response:", chat_response)

视频输入

from openai import OpenAI
# 通过环境变量配置
client = OpenAI()

messages = [
 {
 "role": "user",
 "content": [
 {
 "type": "video_url",
 "video_url": {
 "url": "https://qianwen-res.oss-accelerate.aliyuncs.com/Qwen3.5/demo/video/N1cdUjctpG8.mp4"
 }
 },
 {
 "type": "text",
 "text": "墓葬主室壁龛中发现了多少件瓷罐？"
 }
 ]
 }
]

chat_response = client.chat.completions.create(
 model="Qwen/Qwen3.8-27B",
 messages=messages,
)

# 当 vLLM 使用 `--media-io-kwargs '{"video": {"num_frames": -1}}'` 启动时，
# 可以通过 `extra_body` 配置视频帧采样（例如，设置 `fps`）。
# 此功能目前仅在 vLLM 中支持。
#
# 默认情况下，`fps=2` 且 `do_sample_frames=True`。
# 使用 `do_sample_frames=True` 时，您可以自定义 `fps` 值来设置所需的视频采样率。
# chat_response = client.chat.completions.create(
# model="Qwen/Qwen3.8-27B-FP8",
# messages=messages,
# extra_body={
# "mm_processor_kwargs": {"fps": 2, "do_sample_frames": True},
# }, 
# )

print("Chat response:", chat_response)

Instruct（或非思考）模式

Qwen3.8-27B 默认会在响应前进行思考。 您可以通过配置 API 参数来获取模型直接响应而不进行思考。 例如，

`from openai import OpenAI

通过环境变量配置

client = OpenAI()

messages = [ { “role”: “user”, “content”: [ { “type”: “image_url”, “image_url”: { “url”: “https://qianwen-res.oss-accelerate.aliyuncs.com/Qwen3.5/demo/RealWorld/RealWorld-04.png” } }, { “type”: “text”, “text”: “这是哪里？” } ] } ]

chat_response = client.chat.completions.create( model=“Qwen/Qwen3.8-27B-FP8”, messages=messages, temperature=0.7, top_p=0.8, presence_penalty=1.5, extra_body={ “top_k”: 20, “chat_template_kwargs”: {“enable_thinking”: False}, }, ) print(“Chat response:”, chat_response) `

如果您使用 Qwen Cloud 的 API，除了更改 model 外，请使用 "enable_thinking": False 而不是 "chat_template_kwargs": {"enable_thinking": False}。

禁用保留思考

默认情况下，Qwen3.8 会保留所有历史消息中的思考块，维持跨对话的完整推理轨迹。这种行为称为保留思考（preserved thinking），可确保完整的上下文连续性，对于决策一致性以及减少冗余推理至关重要的智能体场景尤其有益。它还可以提高 KV 缓存利用率，在思考和非思考模式下均优化推理效率。

如果您希望仅保留最新用户消息中的思考块，可以通过将 preserve_thinking 设置为 False 来禁用此行为：

`from openai import OpenAI

通过环境变量配置

client = OpenAI() messages = […] chat_response = client.chat.completions.create( model=“Qwen/Qwen3.8-27B-FP8”, messages=messages, extra_body={ “chat_template_kwargs”: {“preserve_thinking”: False}, }, ) print(“Chat response:”, chat_response) `

如果您使用 Qwen Cloud 的 API，除了更改 model 外，请直接使用 "preserve_thinking": False，而不是将其包装在 chat_template_kwargs 中。

最佳实践

为获得最佳性能，我们建议以下设置：

采样参数：我们建议使用以下采样参数集：

对于受支持的框架，您可以将 presence_penalty 参数调整到 0 到 2 之间，以减少无休止的重复。但是，使用较高的值有时可能导致语言混合和模型性能轻微下降。

足够的输出长度：为优化智能体任务的性能，我们建议分配足够的输出长度，让模型生成详细且全面的响应。对于支持内部推理和最终输出分开设置词元限制的框架，我们建议在 100 万上下文长度内进行以下配置：

这些设置为复杂推理提供了必要的能力，同时为高质量最终交付物留出充足空间。

处理超长文本：Qwen3.8-27B 原生支持最长 262,144 词元的上下文长度。对于总长度（包括输入和输出）超过此限制的长程任务，我们建议使用 RoPE 缩放技术来有效处理长文本，例如 YaRN。

YaRN 目前受多种推理框架支持，例如 vLLM、SGLang 和 TokenSpeed。 通常，在受支持的框架中启用 YaRN 有两种方法：

在 config.json 文件中，将 text_config 中的 rope_parameters 字段更改为：