Qwen3.8: มีอะไรใหม่ วิธีรัน และทางเลือกอื่น ๆ (2026)

ทีม Qwen ของ Alibaba ได้ปล่อย Qwen3.8-27B เมื่อวันที่ 14 สิงหาคม 2026 สองวันหลังจากรุ่นที่ใหญ่กว่ามากอย่าง Qwen3.8-2.4T-A95B บันทึกการปล่อยตัว (release note) มีความยาวเพียงประโยคเดียวและคุ้มค่าที่จะอ่านซ้ำอีกรอบ

"เป็นครั้งแรกที่ Qwen3.8 นำโมเดลระดับ Qwen-Max มาสู่การเปิดตัวแบบโอเพนซอร์ส"

นั่นคือการกล่าวอ้างเกี่ยวกับระดับ (tier) ไม่ใช่เรื่องของขนาด มันหมายความว่าตอนนี้น้ำหนักโมเดลแบบเปิด (open weights) อยู่ในระดับเดียวกับที่โมเดลเรือธงแบบโฮสต์เคยอยู่

สิ่งนี้จะตอบโจทย์ภาระงาน (workload) ของคุณหรือไม่นั้นเป็นอีกเรื่องหนึ่ง และหลักฐานที่เผยแพร่ออกมาก็ตอบคำถามนี้ได้เพียงบางส่วนเท่านั้น ส่วนที่เหลือของบทความนี้จะเจาะลึกว่ามีส่วนใดบ้าง

บทความนี้จะครอบคลุมถึงสิ่งที่เปิดตัวและจุดที่เอกสารทางการทั้งสองฉบับมีความขัดแย้งกัน จากนั้นจะพาไปดูว่าตารางเกณฑ์มาตรฐาน (benchmark) วัดผลอะไรจริงๆ บ้าง และสุดท้ายจะแนะนำวิธีรันโมเดลแบบโลคัล (locally) หากคุณต้องการให้การวิเคราะห์ข้อมูลทั้งหมดอยู่บนเครื่องของคุณเอง

ตัวตนที่แท้จริงของ Qwen3.8

ใน README อย่างเป็นทางการ อธิบายว่าตระกูลนี้สร้างขึ้น "บนรากฐานสถาปัตยกรรมของ Qwen3.5" โดยให้ประสิทธิภาพที่เพิ่มขึ้น "ทั้งในด้านการเขียนโค้ด, งานระดับมืออาชีพ, การวิจัย และงานเชิงเอเจนต์ระยะยาว (long-horizon agentic tasks)"

ประโยคที่สำคัญสำหรับใครก็ตามที่ทำงานแบบหลายขั้นตอน (multi-step) คือประโยคถัดไป โดย Qwen3.8 "ถูกออกแบบมาเพื่อจัดการกับงานที่ซับซ้อนและมีหลายขั้นตอนจนเสร็จสมบูรณ์ด้วยความน่าเชื่อถือที่มากขึ้น"

โมเดล 27B คือรุ่นที่คนส่วนใหญ่จะนำมารันแบบโลคัล โดย model card ของมันระบุตัวเลขที่ชัดเจนไว้ดังนี้: พารามิเตอร์ขนาด 27B, 64 เลเยอร์, มิติที่ซ่อนอยู่ (hidden dimension) ขนาด 5120 และโครงสร้างแบบไฮบริดของบล็อก Gated DeltaNet และ Gated Attention

ความยาวบริบท (Context length) อยู่ที่ 262,144 ทอเคนโดยกำเนิด (natively) และสามารถขยายได้สูงสุดถึง 1,000,000 ใบอนุญาต (license) ที่บันทึกไว้ใน model card คือ apache-2.0

ข้อมูลการปล่อยตัวทั้งสองรุ่นเป็นสิ่งที่ไม่ควรอิงสับสนกัน โมเดลแบบ mixture-of-experts รุ่น 2.4T-A95B เปิดตัวเมื่อวันที่ 2026-08-12 และโมเดลแบบ dense รุ่น 27B ตามมาเมื่อวันที่ 2026-08-14 ซึ่งมีเพียงรุ่นหลังเท่านั้นที่สามารถนำมาโฮสต์ด้วยตัวเอง (self-host) ได้จริง

ข้อมูลจริง	Qwen3.8-27B
วันที่ปล่อยตัว	2026-08-14
พารามิเตอร์	27B dense
เลเยอร์	64
บริบท	262,144 native, ขยายได้ถึง 1,000,000
ใบอนุญาต	apache-2.0
อินพุต	ข้อความ, รูปภาพ, วิดีโอ

จุดที่เอกสารทางการทั้งสองฉบับมีความขัดแย้งกัน

นี่คือส่วนที่แทบไม่มีใครรายงาน และมันเปลี่ยนสิ่งที่คุณจะสามารถกล่าวอ้างได้อย่างปลอดภัย

README บน GitHub ระบุว่าสถาปัตยกรรมแบบมัลติโมดัล (multimodal) นั้นเป็นของ Qwen3.5 ซึ่งเป็นเจเนอเรชันที่ Qwen3.8 ต่อยอดขึ้นมา หากอ่านเฉพาะหน้านั้น คุณอาจสรุปได้ว่าโมเดล 27B รองรับเฉพาะข้อความเท่านั้น (text-only)

แต่ใน model card กลับระบุไว้เป็นอย่างอื่นและมีความเฉพาะเจาะจง โดยระบุว่า Qwen3.8-27B คือ "โมเดลภาษาและการมองเห็นโดยกำเนิด (native vision-language model) ที่เข้าใจรูปภาพและวิดีโอ พร้อมการควบคุมการคิดที่ยืดหยุ่น"

เมื่อแหล่งข้อมูลอย่างเป็นทางการสองแหล่งขัดแย้งกัน แหล่งข้อมูลที่มีความเฉพาะเจาะจงมากกว่าจะเป็นฝ่ายชนะ เนื่องจาก model card กำลังอธิบายถึง checkpoint นี้โดยเฉพาะ ดังนั้นความสามารถแบบมัลติโมดัลจึงเป็นเรื่องจริง การรู้ว่ามีความคลาดเคลื่อนนี้อยู่จึงเป็นเรื่องสำคัญ เพราะการกวาดสายตาดู repo คร่าวๆ อาจทำให้คุณเข้าใจไปในทางตรงกันข้าม

ตารางเกณฑ์มาตรฐาน (benchmark) วัดผลอะไร และละเว้นอะไรไปบ้าง

ใน model card มีการเผยแพร่การเปรียบเทียบกับ Qwen3.6-27B, Qwen3.7-Plus, Muse Glimmer-30B และ Opus4.6 Max ซึ่งตัวเลขด้านความสามารถเชิงเอเจนต์ (agentic) บางตัวมีการก้าวกระโดดอย่างมาก

เกณฑ์มาตรฐาน (Benchmark)	Qwen3.8-27B	Qwen3.6-27B
OSWorld-Verified (การใช้งานคอมพิวเตอร์)	84.3	63.9
WebArena-Verified (การใช้งานเบราว์เซอร์)	64.8	48.8
AndroidWorld (การใช้งานมือถือ)	81.9	70.3
SWE-bench Pro (การเขียนโค้ด)	61.7	—
MathVision (พร้อมตัวแปลโค้ด)	94.6	90.3
Vision2Web (การพัฒนาเว็บเชิงภาพ)	62.9	45.0

คราวนี้มาอ่านกันตามความเป็นจริง สิ่งที่ตารางนี้ครอบคลุมคือ การใช้งานคอมพิวเตอร์, การใช้งานเบราว์เซอร์, การใช้งานมือถือ, การเขียนโค้ด, คณิตศาสตร์เชิงภาพ และการพัฒนาเว็บ

ไม่มีเกณฑ์มาตรฐานในตารางนี้สำหรับการอ่านสเปรดชีต, การกระทบยอดข้อมูลที่ส่งออกสองชุด หรือการสร้างรายงานจากข้อมูลตาราง ตัวเลข OSWorld ที่แข็งแกร่งบอกคุณเพียงว่าโมเดลสามารถควบคุมเดสก์ท็อปได้ แต่ไม่ได้บอกว่ามันจะทำการกระทบยอดรายได้ของคุณได้อย่างถูกต้อง

รายละเอียดหนึ่งที่ควรสังเกตสำหรับผู้อ่านที่ติดตามการเปิดตัวแบบโอเพนซอร์ส คือ Muse Glimmer-30B ปรากฏในตารางนี้เป็นจุดเปรียบเทียบ และตารางเปิดตัวของมันเองเมื่อสี่วันก่อนหน้านั้นก็ได้เปรียบเทียบกับ Qwen3.6-27B บทความของเราเกี่ยวกับ Muse Glimmer ได้ตั้งข้อสังเกตว่ากลุ่มคู่แข่งของมันล้าหลังไปแล้วหนึ่งเจเนอเรชันตั้งแต่ตอนเปิดตัว และตารางนี้ก็คืออีกครึ่งหนึ่งของเรื่องราวนั้น

วิธีรันโมเดล

น้ำหนักโมเดล (Weights) อยู่บน Hugging Face Hub และบน ModelScope ตามข้อมูลข่าวสารใน README โดยโมเดลแบบ 27B dense คือตัวเลือกที่ใช้งานได้จริงที่สุดสำหรับเครื่องเดี่ยวเครื่องเดียว

ควรวางแผนการใช้หน่วยความจำ (memory) ตามจำนวนพารามิเตอร์มากกว่าขีดจำกัดสูงสุดของบริบท แม้ว่าจะมีหน้าต่างบริบทขนาด 262,144 ทอเคนให้ใช้งาน แต่การใช้งานจนเต็มนั้นต้องใช้หน่วยความจำจำนวนมาก ซึ่งระบบโลคัลส่วนใหญ่ไม่มีสำรองไว้เพียงพอ

เริ่มต้นด้วยบริบทสั้นๆ และไฟล์จริง ลองโหลดไฟล์ที่ส่งออก (export) มาหนึ่งไฟล์ ถามคำถามหนึ่งข้อที่คุณรู้อยู่แล้วว่าคำตอบคืออะไร และตรวจสอบคำตอบนั้นก่อนที่จะไว้วางใจให้มันทำงานที่ยาวกว่านั้น

ขั้นตอนการตรวจสอบนี้เป็นสิ่งจำเป็นอย่างยิ่งสำหรับงานด้านข้อมูลตาราง โมเดลสามารถอธิบายสเปรดชีตได้อย่างคล่องแคล่ว แต่ก็ยังอาจอ่านคอลัมน์ที่เป็นยอดรวมผิดพลาดได้ คำตอบที่ผิดอย่างลื่นไหลนั้นจับผิดได้ยากกว่าคำตอบที่ผิดอย่างชัดเจน

หากคุณต้องการหน้าต่างบริบทขนาดล้านทอเคน ให้คิดซะว่าเป็นอีกโจทย์หนึ่งที่มีงบประมาณฮาร์ดแวร์ของตัวเอง ในทางปฏิบัติแล้ว การกำหนดค่าทั้งสองแบบนี้มีพฤติกรรมที่แตกต่างกันมาก และการทดสอบเกณฑ์มาตรฐานของแบบหนึ่งก็แทบจะไม่ได้บอกอะไรเกี่ยวกับอีกแบบหนึ่งเลย

เปลี่ยนระดับความพยายามในการใช้เหตุผล (reasoning effort) เริ่มต้นก่อน

นี่คือการตั้งค่าที่จะกำหนดความประทับใจแรกของคุณ และสามารถเห็นได้ในเทมเพลตแชท (chat template) ของ model card เอง

เทมเพลตจะกำหนดค่า reasoning_effort เป็น xhigh เป็นค่าเริ่มต้น โดยมี medium และ low เป็นค่าอื่นๆ ที่รองรับ นอกจากนี้ยังสามารถปิดการคิด (thinking) ได้อีกด้วย

ค่าเริ่มต้นแบบ xhigh หมายความว่าโมเดลจะใช้เวลาไตร่ตรองอย่างยาวนานกับคำถามที่ไม่จำเป็นต้องทำขนาดนั้น สำหรับการค้นหาข้อมูลบรรทัดเดียวในไฟล์ CSV ขนาดเล็ก นั่นจะทำให้รู้สึกว่าโมเดลทำงานช้ามากกว่าที่จะมองว่ามันรอบคอบ

ดังนั้น สิ่งแรกที่ต้องปรับแต่งไม่ใช่พรอมต์ (prompt) ให้ลดระดับความพยายามลงเหลือ medium หรือ low สำหรับคำถามทั่วไป และเก็บ xhigh ไว้สำหรับงานที่มีหลายขั้นตอนซึ่งเป็นจุดประสงค์หลักของบันทึกการปล่อยตัวนี้จริงๆ

จุดที่โมเดลนี้จะเข้ามาตอบโจทย์ในเวิร์กโฟลว์ข้อมูล

โมเดลแบบ open-weight ที่คุณโฮสต์เองช่วยแก้ปัญหาเฉพาะเจาะจงข้อหนึ่ง นั่นคือข้อมูลจะไม่มีวันหลุดออกไปจากเครื่องของคุณ สำหรับไฟล์ที่อยู่ภายใต้การควบคุมหรือไฟล์ที่มีความละเอียดอ่อน นี่คือเหตุผลสำคัญที่สุด และไม่มีความสะดวกสบายของบริการแบบโฮสต์ใดๆ ที่จะมาทดแทนข้อนี้ได้

ส่วนเรื่องอื่นๆ ทั้งหมดในการเลือกใช้ทางนี้คือการแลกเปลี่ยน คุณต้องแบกรับภาระเรื่องฮาร์ดแวร์, การอัปเดต และการตัดสินใจเรื่องการทำ quantisation เพื่อแลกกับการรับประกันเพียงข้อเดียวนั้น

สิ่งที่มันไม่ได้ช่วยแก้ปัญหาคือกระบวนการอื่นๆ รอบตัวโมเดล การทำโปรไฟล์คอลัมน์ (Column profiling), การรวมไฟล์ที่ส่งออกสองไฟล์เข้าด้วยกัน, การตรวจจับฟิลด์ที่ถูกเปลี่ยนชื่อ, การเรนเดอร์แผนภูมิ และการสร้างเอกสาร ทั้งหมดนี้ล้วนเป็นงานส่วนอื่นที่แยกต่างหาก

ช่องว่างนี้คือเหตุผลว่าทำไมเลเยอร์โปรโตคอลและเครื่องมือต่างๆ จึงเกิดขึ้น บทความอธิบายของเราเกี่ยวกับ MCP คืออะไร จะครอบคลุมถึงมาตรฐานที่เชื่อมต่อโมเดลเข้ากับเครื่องมือต่างๆ ส่วนหน้า data connectors จะแสดงให้เห็นว่าไปป์ไลน์ที่เน้นไฟล์เป็นหลัก (file-first pipeline) คาดหวังอินพุตแบบใด

ทางเลือกอื่นๆ

หากความต้องการของคุณคือการใช้งานแบบโลคัลและเป็นระบบเปิด Qwen3.8-27B และ Muse Glimmer-30B คือสองตัวเลือกในปัจจุบันที่อยู่ในระดับขนาดเดียวกัน ทั้งคู่มีการเผยแพร่น้ำหนักโมเดลและสามารถรันบนเครื่องเดี่ยวได้

หากความต้องการของคุณคือผลลัพธ์ที่สำเร็จรูปจากไฟล์ แทนที่จะเป็นเพียง endpoint ของโมเดล รูปแบบของเครื่องมือที่ใช้ก็จะแตกต่างออกไป Powerdrill Bloom จะนำสเปรดชีตไปทำโปรไฟล์คอลัมน์ และส่งคืนผลลัพธ์กลับมาเป็นแผนภูมิ, รายงาน หรือสไลด์นำเสนอ (deck)

ไม่มีการเปรียบเทียบราคาในฝั่งของ Qwen เนื่องจากไม่สามารถเข้าถึงหน้าข้อมูลราคาอย่างเป็นทางการของ Qwen สำหรับโมเดลนี้ได้ ดังนั้นบทความนี้จึงไม่มีการอ้างอิงตัวเลขราคาใดๆ

หากงานจริงของคุณคือไฟล์ที่ต้องการแปลงเป็นรายงาน ลองใช้ Powerdrill Bloom กับไฟล์นั้นโดยตรง นอกจากนี้คุณยังสามารถดูคู่มือของเราเกี่ยวกับ วิธีเปลี่ยนไฟล์ส่งออกข้อมูลการสมัครสมาชิกให้เป็นรายงาน MRR และ ARR และหน้า CSV AI assistant ได้อีกด้วย

บทสรุป

Qwen3.8-27B คือโมเดลแบบ 27B dense ที่มีบริบทโดยกำเนิดขนาด 262,144 ทอเคน, น้ำหนักโมเดลแบบ apache-2.0 และรองรับอินพุตภาพและวิดีโอตามที่ระบุในเอกสาร โดยมีความสามารถเชิงเอเจนต์ (agentic) ที่ก้าวกระโดดจาก Qwen3.6-27B อย่างเห็นได้ชัด

อย่างไรก็ตาม มีข้อควรระวังสองประการที่มาพร้อมกัน: ข้อมูลใน repo และ model card ขัดแย้งกันในเรื่องของมัลติโมดัล และเกณฑ์มาตรฐานที่เผยแพร่นั้นครอบคลุมเฉพาะงานเดสก์ท็อป, เบราว์เซอร์, การเขียนโค้ด และงานเชิงภาพ มากกว่างานด้านข้อมูลตาราง

ควรตั้งค่า reasoning_effort ก่อนที่คุณจะตัดสินประสิทธิภาพของมัน เนื่องจากค่าเริ่มต้นคือ xhigh ซึ่งทำให้โมเดลใช้ความคิดมากเกินความจำเป็นสำหรับคำถามส่วนใหญ่

คำถามที่พบบ่อย

Qwen3.8 เปิดตัวเมื่อใด?

ข้อมูลข่าวสารใน README บันทึกการเปิดตัว Qwen3.8-27B เมื่อวันที่ 2026-08-14 และ Qwen3.8-2.4T-A95B เมื่อวันที่ 2026-08-12 ทั้งบน Hugging Face Hub และ ModelScope

Qwen3.8-27B เป็นมัลติโมดัลหรือไม่?

ใช่ อ้างอิงตาม model card ซึ่งระบุว่ามันเป็นโมเดลภาษาและการมองเห็นโดยกำเนิด (native vision-language model) ที่เข้าใจรูปภาพและวิดีโอ อย่างไรก็ตาม โปรดสังเกตว่า README บน GitHub ระบุว่าสถาปัตยกรรมแบบมัลติโมดัลนั้นเป็นของ Qwen3.5

รองรับความยาวบริบทเท่าใด?

ใน model card ระบุว่ารองรับ 262,144 ทอเคนโดยกำเนิด และสามารถขยายได้สูงสุดถึง 1,000,000 ทอเคน ทั้งนี้การรันโมเดลด้วยค่าที่ใกล้เคียงกับขีดจำกัดสูงสุดนั้นจำเป็นต้องใช้หน่วยความจำที่สูงกว่าระบบโลคัลทั่วไปอย่างมาก

ทำไมโมเดลถึงรู้สึกช้าเมื่อถามคำถามง่ายๆ?

เทมเพลตแชทกำหนดค่าเริ่มต้นของ reasoning_effort ไว้ที่ xhigh ให้ลดระดับลงเหลือ medium หรือ low สำหรับการค้นหาข้อมูลทั่วไป และเก็บ xhigh ไว้สำหรับงานที่มีหลายขั้นตอนอย่างแท้จริง

เกณฑ์มาตรฐานมีการระบุถึงการทำงานกับสเปรดชีตหรือไม่?

ไม่ ตารางที่เผยแพร่นั้นครอบคลุมเฉพาะการใช้งานคอมพิวเตอร์, การใช้งานเบราว์เซอร์, การใช้งานมือถือ, การเขียนโค้ด, คณิตศาสตร์เชิงภาพ และการพัฒนาเว็บ โดยไม่มีเกณฑ์มาตรฐานสำหรับการวิเคราะห์ข้อมูลตารางหรือการสร้างรายงานเลย