Qwen3.8: что нового, как запустить и альтернативы (2026)
Команда Qwen компании Alibaba выпустила Qwen3.8-27B 14 августа 2026 года, через два дня после гораздо более крупной модели Qwen3.8-2.4T-A95B. Примечание к релизу состоит всего из одного предложения, но его стоит перечитать дважды.
«Впервые Qwen3.8 выводит модель класса Qwen-Max в открытый доступ».
Это заявление касается класса модели, а не ее размера. Оно означает, что открытые веса теперь находятся на том же уровне, где раньше располагалась флагманская облачная модель.
Подходит ли это для ваших рабочих задач — отдельный вопрос, и опубликованные данные дают на него лишь частичный ответ. В этой статье мы подробно разберем, в каких именно аспектах это так.
В этой статье мы расскажем, что именно вошло в релиз и в чем расходятся два официальных документа. Затем мы разберем, что на самом деле измеряет таблица бенчмарков. Наконец, мы объясним, как запустить модель локально, если вы хотите, чтобы все вычисления выполнялись на вашем собственном компьютере.
Что на самом деле представляет собой Qwen3.8
В официальном файле README семейство описывается как созданное «на архитектурной основе Qwen3.5», обеспечивающее прирост производительности «в программировании, профессиональной работе, исследованиях и долгосрочных агентных задачах».
Следующее предложение особенно важно для тех, кто решает многоэтапные задачи. Qwen3.8 «разработана для более надежного выполнения сложных многоэтапных задач до самого конца».
Модель 27B — это именно та версия, которую большинство пользователей будут запускать локально. В ее карточке модели приведены точные характеристики: 27B параметров, 64 слоя, размерность скрытого состояния (hidden dimension) 5120, а также гибридная архитектура из блоков Gated DeltaNet и Gated Attention.
Длина контекста составляет 262 144 токенов нативно с возможностью расширения до 1 000 000. В карточке модели указана лицензия apache-2.0.
Стоит четко разделять эти два релиза. Модель типа mixture-of-experts 2.4T-A95B вышла 12 августа 2026 года, а плотная (dense) модель 27B последовала за ней 14 августа 2026 года. Только вторую из них реально развернуть на собственных мощностях (self-host).
| Параметр | Qwen3.8-27B |
|---|---|
| Дата релиза | 2026-08-14 |
| Параметры | 27B dense |
| Слои | 64 |
| Контекст | 262 144 нативно, расширяемый до 1 000 000 |
| Лицензия | apache-2.0 |
| Входные данные | Текст, изображения, видео |
В чем расходятся два официальных документа
Об этом аспекте почти никто не пишет, хотя он меняет то, о чем можно с уверенностью заявлять.
В файле README на GitHub мультимодальная архитектура приписывается Qwen3.5 — поколению, на котором построена Qwen3.8. Если прочитать только эту страницу, можно сделать вывод, что модель 27B работает исключительно с текстом.
Однако в карточке модели утверждается обратное, причем весьма конкретно. Qwen3.8-27B — это «нативная мультимодальная модель (vision-language model), которая понимает изображения и видео, с гибким контролем процесса рассуждения (thinking control)».
Когда два официальных источника противоречат друг другу, приоритет отдается более конкретному. Карточка модели описывает именно этот чекпоинт, поэтому мультимодальные возможности здесь реальны. Полезно знать об этом расхождении, так как при беглом просмотре репозитория может показаться обратное.
Что измеряет таблица бенчмарков, а что остается за кадром
В карточке модели опубликовано сравнение с Qwen3.6-27B, Qwen3.7-Plus, Muse Glimmer-30B и Opus4.6 Max. Некоторые показатели в агентных задачах демонстрируют огромный скачок.
| Бенчмарк | Qwen3.8-27B | Qwen3.6-27B |
|---|---|---|
| OSWorld-Verified (использование ПК) | 84.3 | 63.9 |
| WebArena-Verified (использование браузера) | 64.8 | 48.8 |
| AndroidWorld (использование мобильных устройств) | 81.9 | 70.3 |
| SWE-bench Pro (программирование) | 61.7 | — |
| MathVision (с интерпретатором кода) | 94.6 | 90.3 |
| Vision2Web (визуальная веб-разработка) | 62.9 | 45.0 |
А теперь взглянем на вещи объективно. В этой таблице представлены: использование компьютера, использование браузера, использование мобильных устройств, программирование, визуальная математика и веб-разработка.
Здесь нет ни одного бенчмарка для чтения электронных таблиц, сверки двух выгрузок или составления отчетов на основе табличных данных. Высокие показатели в OSWorld говорят о том, что модель умеет управлять рабочим столом. Но они не гарантируют, что она правильно выполнит сверку ваших доходов.
Деталь, на которую стоит обратить внимание читателям, следящим за открытыми релизами. Модель Muse Glimmer-30B приводится в этой таблице для сравнения, хотя в ее собственной таблице, опубликованной четырьмя днями ранее, сравнение шло с Qwen3.6-27B. В нашей статье о Muse Glimmer мы отмечали, что на момент запуска ее конкурентная группа уже отставала на целое поколение. Эта таблица — вторая половина той же истории.
Как запустить модель
Веса доступны на Hugging Face Hub и ModelScope, согласно разделу новостей в README. Плотная (dense) версия 27B — наиболее практичный выбор для работы на одном компьютере.
Планируйте объем памяти исходя из количества параметров, а не из максимального лимита контекста. Окно в 262 144 токенов доступно, но его заполнение требует такого объема памяти, которого у большинства локальных систем просто нет.
Начните с небольшого контекста и реального файла. Загрузите одну выгрузку, задайте один вопрос, ответ на который вам уже известен, и проверьте результат, прежде чем доверять модели более объемные задачи.
Этот этап проверки обязателен при работе с таблицами. Модель может уверенно описывать электронную таблицу и при этом перепутать колонку с итоговыми суммами. Убедительно звучащие, но неверные ответы обнаружить гораздо сложнее, чем очевидные ошибки.
Если вам действительно нужно окно в миллион токенов, рассматривайте это как отдельную задачу со своим бюджетом на оборудование. На практике эти две конфигурации ведут себя совершенно по-разному, и тестирование одной мало что скажет вам о возможностях другой.
Первым делом измените уровень рассуждений по умолчанию
Вот настройка, которая определит ваше первое впечатление от модели, и ее можно увидеть в шаблоне чата (chat template) в самой карточке модели.
В шаблоне параметр reasoning_effort по умолчанию имеет значение xhigh, также поддерживаются значения medium и low. Процесс рассуждения (thinking) можно и вовсе отключить.
Значение по умолчанию xhigh означает, что модель будет долго размышлять над вопросами, которые этого не требуют. При поиске одной строки в небольшом файле CSV это будет выглядеть скорее как медлительность модели, а не как ее тщательность.
Поэтому первое, что нужно настроить, — это вовсе не промпт. Снизьте уровень рассуждений до medium или low для повседневных вопросов, а значение xhigh оставьте для тех самых многоэтапных задач, ради которых и выпускался этот релиз.
Место модели в рабочем процессе анализа данных
Модель с открытыми весами, которую вы разворачиваете у себя, решает одну конкретную задачу: данные никогда не покидают ваш компьютер. Для конфиденциальных файлов или данных, подпадающих под жесткое регулирование, это решающий аргумент, который не заменят никакие удобства облачных сервисов.
Все остальные аспекты такого выбора — это компромисс. В обмен на эту единственную гарантию вы берете на себя заботу об оборудовании, обновлениях и вопросах квантования.
Но локальный запуск не решает сопутствующие задачи. Профилирование колонок, объединение двух выгрузок, отслеживание переименованных полей, построение графиков и создание документов — все это отдельные этапы работы.
Именно для устранения этого разрыва существуют протоколы и инструментальные слои. В нашем материале о том, что такое MCP, подробно описан стандарт, связывающий модели с инструментами. А на странице коннекторов данных показано, что ожидает на входе конвейер обработки, ориентированный на работу с файлами.
Альтернативы
Если вам нужно локальное решение с открытым исходным кодом, то Qwen3.8-27B и Muse Glimmer-30B — два основных кандидата в этом размерном классе на сегодняшний день. Обе модели предоставляют открытые веса и могут работать на одном компьютере.
Если же вам нужен готовый результат на основе файла, а не просто эндпоинт модели, то потребуется инструмент другого типа. Powerdrill Bloom принимает электронную таблицу, анализирует колонки и выдает готовый график, отчет или презентацию.
Сравнить цены со стороны Qwen не представляется возможным. Нам не удалось найти официальную страницу с ценами для этой модели Qwen, поэтому в статье не приводятся никакие цифры.
Если ваша реальная задача — превратить файл в отчет, попробуйте использовать Powerdrill Bloom напрямую. Также ознакомьтесь с нашим руководством по превращению выгрузки подписок в отчеты MRR и ARR и посетите страницу CSV AI assistant.
Заключение
Qwen3.8-27B — это плотная (dense) модель 27B с нативным контекстом 262 144 токенов, весами под лицензией apache-2.0 и задокументированной поддержкой ввода изображений и видео. Скачок в качестве выполнения агентных задач по сравнению с Qwen3.6-27B весьма существенен.
Однако есть два важных нюанса. Репозиторий и карточка модели расходятся во мнениях относительно мультимодальности, а опубликованные бенчмарки охватывают задачи, связанные с рабочим столом, браузером, программированием и визуальным контентом, а не работу с таблицами.
Настройте параметр reasoning_effort, прежде чем оценивать модель. По умолчанию установлено значение xhigh, из-за чего модель тратит на размышления гораздо больше ресурсов, чем требуется для большинства простых вопросов.
Часто задаваемые вопросы
Когда состоялся релиз Qwen3.8?
Согласно новостным записям в README, релиз Qwen3.8-27B состоялся 14 августа 2026 года, а Qwen3.8-2.4T-A95B — 12 августа 2026 года. Обе модели доступны на Hugging Face Hub и ModelScope.
Является ли Qwen3.8-27B мультимодальной моделью?
Да, согласно ее карточке модели, где она описывается как нативная мультимодальная модель (vision-language model), способная понимать изображения и видео. Обратите внимание, что в README на GitHub мультимодальная архитектура приписывается поколению Qwen3.5.
Какую длину контекста она поддерживает?
В карточке модели указано 262 144 токенов нативно с возможностью расширения до 1 000 000. Работа с объемами контекста, близкими к верхнему пределу, требует объема памяти, значительно превышающего возможности типичных локальных систем.
Почему модель кажется медленной при ответах на простые вопросы?
В шаблоне чата (chat template) параметр reasoning_effort по умолчанию имеет значение xhigh. Снизьте его до medium или low для повседневных запросов и используйте xhigh только для действительно многоэтапных задач.
Говорят ли бенчмарки что-нибудь о работе с электронными таблицами?
Нет. Опубликованная таблица охватывает использование компьютера, использование браузера, использование мобильных устройств, программирование, визуальную математику и веб-разработку. Бенчмарков для анализа таблиц или генерации отчетов в ней нет.