Qwen3.8: Co nowego, jak go uruchomić i alternatywy (2026)
Zespół Qwen firmy Alibaba wydał model Qwen3.8-27B 14 sierpnia 2026 roku, dwa dni po znacznie większym Qwen3.8-2.4T-A95B. Informacja o wydaniu składa się z zaledwie jednego zdania, które warto przeczytać dwukrotnie.
„Po raz pierwszy Qwen3.8 wprowadza model klasy Qwen-Max do otwartego dostępu”.
To deklaracja dotycząca klasy, a nie rozmiaru. Oznacza to, że otwarte wagi znajdują się teraz tam, gdzie wcześniej znajdował się hostowany model flagowy.
To, czy sprawdzi się to w przypadku Twoich zadań, to osobna kwestia, a opublikowane dowody odpowiadają na nią tylko częściowo. Dalsza część tego artykułu dotyczy tego, o które konkretnie obszary chodzi.
W tym artykule omówimy, co dokładnie zostało wydane i w jakich kwestiach dwa oficjalne dokumenty są ze sobą sprzeczne. Następnie przyjrzymy się temu, co faktycznie mierzy tabela z benchmarkami. Na koniec opiszemy, jak uruchomić ten model lokalnie, jeśli chcesz, aby analizy nie opuszczały Twojego własnego komputera.
Czym właściwie jest Qwen3.8
Oficjalny README opisuje tę rodzinę jako zbudowaną „na fundamencie architektonicznym Qwen3.5”, zapewniającą korzyści „w zakresie kodowania, pracy zawodowej, badań naukowych oraz długofalowych zadań agentowych”.
Kolejne zdanie jest kluczowe dla każdego, kto wykonuje zadania wieloetapowe. Qwen3.8 „został zaprojektowany tak, aby realizować złożone, wieloetapowe zadania do samego końca z większą niezawodnością”.
Model 27B to ten, który większość osób będzie uruchamiać lokalnie. Jego karta modelu podaje konkretne liczby: 27B parametrów, 64 warstwy, wymiar ukryty 5120 oraz hybrydowy układ bloków Gated DeltaNet i Gated Attention.
Długość kontekstu wynosi natywnie 262,144 tokenów z możliwością rozszerzenia do 1,000,000. Licencja zapisana w karcie modelu to apache-2.0.
Warto rozróżnić te dwa wydania. Model mixture-of-experts 2.4T-A95B pojawił się 2026-08-12, a gęsty model 27B zadebiutował 2026-08-14. Tylko ten drugi nadaje się realnie do samodzielnego hostowania.
| Fakt | Qwen3.8-27B |
|---|---|
| Wydany | 2026-08-14 |
| Parametry | 27B gęsty |
| Warstwy | 64 |
| Kontekst | 262,144 natywny, rozszerzalny do 1,000,000 |
| Licencja | apache-2.0 |
| Dane wejściowe | Tekst, obrazy, wideo |
W czym dwa oficjalne dokumenty są sprzeczne
To jest kwestia, o której prawie nikt nie wspomina, a zmienia ona to, co można bezpiecznie twierdzić na temat modelu.
Plik README na GitHubie przypisuje architekturę multimodalną modelowi Qwen3.5, czyli generacji, na której bazuje Qwen3.8. Czytając tylko tę stronę, można by dojść do wniosku, że model 27B obsługuje wyłącznie tekst.
Karta modelu twierdzi jednak inaczej i jest bardzo precyzyjna. Qwen3.8-27B to „natywny model wizyjno-językowy, który rozumie obrazy i wideo, oferując elastyczną kontrolę nad procesem myślowym”.
Gdy dwa oficjalne źródła są sprzeczne, wygrywa to bardziej szczegółowe. Karta modelu opisuje ten konkretny punkt kontrolny, więc możliwości multimodalne są realne. Warto wiedzieć o tej rozbieżności, ponieważ szybkie przejrzenie repozytorium sugerowałoby coś zupełnie przeciwnego.
Co mierzy tabela z benchmarkami, a co pomija
Karta modelu publikuje porównanie z Qwen3.6-27B, Qwen3.7-Plus, Muse Glimmer-30B oraz Opus4.6 Max. Niektóre wyniki w zadaniach agentowych wykazują ogromny wzrost.
| Benchmark | Qwen3.8-27B | Qwen3.6-27B |
|---|---|---|
| OSWorld-Verified (korzystanie z komputera) | 84.3 | 63.9 |
| WebArena-Verified (korzystanie z przeglądarki) | 64.8 | 48.8 |
| AndroidWorld (korzystanie z telefonu) | 81.9 | 70.3 |
| SWE-bench Pro (kodowanie) | 61.7 | — |
| MathVision (z interpreterem kodu) | 94.6 | 90.3 |
| Vision2Web (wizualne tworzenie stron) | 62.9 | 45.0 |
A teraz szczera interpretacja. Korzystanie z komputera, przeglądarki, telefonu, kodowanie, matematyka wizualna i tworzenie stron internetowych – to wszystko, co obejmuje ta tabela.
Nie ma tu żadnego benchmarku dotyczącego czytania arkuszy kalkulacyjnych, uzgadniania dwóch plików eksportu czy generowania raportów z danych tabelarycznych. Wysokie wyniki w OSWorld mówią nam, że model potrafi obsługiwać pulpit komputera. Nie gwarantują jednak, że prawidłowo przeprowadzi uzgodnienie przychodów.
Jeden szczegół warty uwagi dla czytelników śledzących otwarte wydania. Model Muse Glimmer-30B pojawia się w tej tabeli jako punkt odniesienia, a jego własna tabela premierowa sprzed czterech dni porównywała go z Qwen3.6-27B. Nasz artykuł o Muse Glimmer wskazywał, że jego grupa porównawcza już w momencie premiery była o generację w tyle. Ta tabela to druga strona tego medalu.
Jak go uruchomić
Wagi są dostępne na platformach Hugging Face Hub oraz ModelScope, zgodnie z sekcją aktualności w pliku README. Wariant gęsty 27B to najbardziej praktyczny wybór dla pojedynczej maszyny.
Zaplanuj zapotrzebowanie na pamięć w oparciu o liczbę parametrów, a nie maksymalny limit kontekstu. Okno o wielkości 262,144 tokenów jest dostępne, ale jego zapełnienie wymaga ilości pamięci, której większość lokalnych konfiguracji po prostu nie posiada.
Zacznij od krótkiego kontekstu i prawdziwego pliku. Załaduj jeden eksport, zadaj jedno pytanie, na które znasz już odpowiedź, i zweryfikuj wynik, zanim zaufasz modelowi przy dłuższych zadaniach.
Ten krok weryfikacji jest absolutnie obowiązkowy przy pracy z danymi tabelarycznymi. Model może płynnie opisać arkusz kalkulacyjny, a mimo to błędnie odczytać, która kolumna zawiera sumy końcowe. Płynne, ale błędne odpowiedzi są znacznie trudniejsze do wykrycia niż te ewidentnie bzdurne.
Jeśli potrzebujesz okna o wielkości miliona tokenów, potraktuj to jako osobne przedsięwzięcie z własnym budżetem sprzętowym. Te dwie konfiguracje zachowują się w praktyce zupełnie inaczej, a testowanie jednej niewiele mówi o wydajności drugiej.
Najpierw zmień domyślny poziom wysiłku myślowego
Oto ustawienie, które ukształtuje Twoje pierwsze wrażenie – jest ono widoczne w szablonie czatu w samej karcie modelu.
Szablon domyślnie przypisuje parametrowi reasoning_effort wartość xhigh, a inne akceptowane wartości to medium oraz low. Proces myślenia można również całkowicie wyłączyć.
Domyślne ustawienie xhigh oznacza, że model będzie długo zastanawiał się nad pytaniami, które tego nie wymagają. W przypadku wyszukania jednej linijki w małym pliku CSV sprawi to wrażenie, że model jest po prostu powolny, a nie dokładny.
Pierwszą rzeczą do dostosowania nie jest więc sam prompt. Zmniejsz wysiłek do poziomu medium lub low przy rutynowych pytaniach, a xhigh zarezerwuj dla wieloetapowych zadań, o których faktycznie mowa w informacji o wydaniu.
Gdzie to rozwiązanie wpisuje się w przepływ pracy z danymi
Model o otwartych wagach, który hostujesz samodzielnie, rozwiązuje jeden konkretny problem: dane nigdy nie opuszczają Twojego komputera. W przypadku plików podlegających regulacjom prawnym lub zawierających dane wrażliwe jest to kluczowy argument, którego nie zastąpi żadna wygoda korzystania z usług chmurowych.
Cała reszta to kwestia kompromisów. Bierzesz na siebie kwestie sprzętowe, aktualizacje i decyzje dotyczące kwantyzacji w zamian za tę jedną gwarancję.
To, czego model sam w sobie nie rozwiązuje, to całe otoczenie procesu. Profilowanie kolumn, łączenie dwóch eksportów, wykrywanie zmienionych nazw pól, renderowanie wykresów czy generowanie dokumentów to zupełnie osobne zadania.
Ta luka jest powodem, dla którego istnieją warstwy protokołów i narzędzi. Nasz artykuł wyjaśniający, czym jest MCP, opisuje standard łączący modele z narzędziami. Strona poświęcona konektorom danych pokazuje, czego jako danych wejściowych oczekuje potok zorientowany na pliki.
Alternatywy
Jeśli wymogiem jest rozwiązanie lokalne i otwarte, Qwen3.8-27B oraz Muse Glimmer-30B to dwaj obecni kandydaci w tej samej klasie wielkości. Oba modele udostępniają swoje wagi i oba można uruchomić na pojedynczej maszynie.
Jeśli celem jest gotowy plik wynikowy na podstawie dokumentu źródłowego, a nie sam punkt końcowy modelu, potrzebne jest narzędzie o innym charakterze. Powerdrill Bloom pobiera arkusz kalkulacyjny, profiluje kolumny i zwraca wykres, raport lub prezentację.
Po stronie Qwen nie ma możliwości porównania cen. Żadna oficjalna strona z cennikiem Qwen dla tego modelu nie była dostępna, dlatego w tym artykule nie podano żadnych kwot.
Jeśli Twoim rzeczywistym zadaniem jest przekształcenie pliku w raport, wypróbuj bezpośrednio Powerdrill Bloom. Zobacz również nasz przewodnik o tym, jak przekształcić eksport subskrypcji w raport MRR i ARR oraz stronę poświęconą asystentowi AI dla plików CSV.
Podsumowanie
Qwen3.8-27B to gęsty model 27B z natywnym kontekstem o wielkości 262,144 tokenów, wagami na licencji apache-2.0 oraz udokumentowaną obsługą obrazów i wideo na wejściu. Wzrost możliwości agentowych w porównaniu do Qwen3.6-27B jest znaczący.
Wiążą się z nim jednak dwa zastrzeżenia. Repozytorium i karta modelu są sprzeczne w kwestii multimodalności, a opublikowane benchmarki dotyczą zadań związanych z pulpitem, przeglądarką, kodowaniem i analizą wizualną, a nie pracą na danych tabelarycznych.
Zanim ocenisz model, ustaw odpowiednio parametr reasoning_effort. Domyślną wartością jest xhigh, co sprawia, że model poświęca na myślenie więcej czasu, niż wymaga tego większość pytań.
Najczęściej zadawane pytania
Kiedy wydano Qwen3.8?
Sekcja aktualności w pliku README odnotowuje wydanie Qwen3.8-27B w dniu 2026-08-14 oraz Qwen3.8-2.4T-A95B w dniu 2026-08-12, w obu przypadkach na platformach Hugging Face Hub i ModelScope.
Czy Qwen3.8-27B jest multimodalny?
Tak, według jego karty modelu, która opisuje go jako natywny model wizyjno-językowy rozumiejący obrazy i wideo. Warto zauważyć, że plik README na GitHubie przypisuje architekturę multimodalną modelowi Qwen3.5.
Jaką długość kontekstu obsługuje ten model?
Karta modelu podaje natywnie 262,144 tokenów, z możliwością rozszerzenia do 1,000,000. Uruchomienie go z wartościami bliskimi górnej granicy wymaga ilości pamięci znacznie wykraczającej poza typową konfigurację lokalną.
Dlaczego model wydaje się powolny przy prostych pytaniach?
Szablon czatu domyślnie ustawia parametr reasoning_effort na xhigh. Zmniejsz go do poziomu medium lub low przy rutynowych zapytaniach, a wartość xhigh zachowaj dla zadań prawdziwie wieloetapowych.
Czy benchmarki mówią cokolwiek o pracy z arkuszami kalkulacyjnymi?
Nie. Opublikowana tabela obejmuje korzystanie z komputera, przeglądarki, telefonu, kodowanie, matematykę wizualną oraz tworzenie stron internetowych, nie zawierając żadnego benchmarku dotyczącego analizy danych tabelarycznych czy generowania raportów.