又一个国产模型在海外火了：下载超300万次，最大槽点是“想太多

出品 | 网易智能

作者 | 小爪

编辑 | 王凤枝

又一个国产开放模型，这两天在海外开发者社区里热了起来。

8月14日，阿里Qwen团队开放Qwen3.8-27B权重。这是一款27B参数稠密模型，带视觉能力，采用Apache 2.0许可。在Artificial Analysis目前的榜单中，Qwen3.8-27B与OpenAI的GPT-5.6 Luna得分相同。

下载量很快涨了起来。据Hugging Face相关模型页面的统计，到8月17日前后，官方模型与社区量化版本的累计下载请求已超过300万次。

第一批实测也很快出现。开发者西蒙·威利森（Simon Willison）的测试显示，它既能在图片中定位物体，也能通过编程智能体写出并调试一个小工具。

不过，这款模型最让人意外的，反倒是"想太多"。

威利森让它生成一张鹈鹕SVG图像，模型思考加输出用了21分钟；关闭推理后，完成类似任务只用了137秒（约两分钟）。面对"画一个圆"这样的简单要求，它还会主动加上动画和交互效果，做出一件更复杂的作品，却没有直接交付用户要的那个圆。

Qwen3.8-27B已经能在本地看图、写代码、驱动智能体。接下来决定它能否成为日常工具的，是速度、稳定性和调试成本。

一、300万次下载，很多人拿的是轻量版

300万次下载，并不等于有300万人把Qwen3.8-27B装进了电脑。Hugging Face统计的是相关文件的下载请求，同一名用户可能先后尝试多个版本。但一款模型发布几天就有这么密集的下载，仍然说明开发者的尝试意愿。

Qwen3.8-27B的BF16原版约为55GB，对多数个人电脑而言仍然太大。模型发布后，官方和社区很快推出了面向不同硬件和推理工具的版本：GGUF常用于LM Studio和llama.cpp，MLX面向苹果芯片，FP8和NVFP4则适配不同的英伟达显卡。

这些版本降低了本地部署的起步门槛，用户可以按照自己的显卡、内存和推理软件选择现成版本。从各页面的下载量看，这些轻量版本贡献了其中相当一部分下载请求。

llama.cpp创始人格奥尔基·格尔加诺夫（Georgi Gerganov）很快给出了现成的运行命令，覆盖DGX Spark和RTX 5090等设备。用户可以直接调用量化版本并开启多token预测加速，省去手动转换权重的步骤。其他开发者则开始尝试单张显卡、双显卡和苹果芯片，讨论重点随之落到更具体的问题上：能够保留多长的上下文，生成速度有多快，视觉功能是否稳定。

其中，约17GB的Q4版本成为关注焦点。它通过降低权重精度，把文件体积压缩到原版的三分之一左右，也让这款模型能够进入部分个人设备。不过，体积缩小并非没有代价，量化版本的输出质量、视觉表现和运行稳定性，都可能与BF16原版存在差异。

二、17GB，装下一个能干活的模型

威利森测试的是LM Studio提供的约17GB Q4_K_M量化版本。他分别在配备128GB内存的M5 Max MacBook Pro和英伟达DGX Spark上运行。

视觉测试中，他让模型识别一张照片里的两只鹈鹕，并以JSON格式返回它们的位置。模型给出的两个方框与照片中的鹈鹕基本吻合。随后，他又让Qwen编写一个网页工具：用户输入图片地址和坐标数据，网页便能把方框和标签覆盖在图片上。

开启最高推理档时，模型做出了一个功能完整、但明显过度设计的界面，甚至主动绘制了一幅鹈鹕示例图。关闭推理后，它生成的页面看起来依然完整，方框位置却出现了偏差。

威利森还把这个量化版本接入了编程智能体Pi。他先让模型分析Datasette项目的身份验证机制，模型读取了多个文件并给出了解释。随后，他要求模型把Pi保存的JSONL对话记录转换成Markdown，Qwen编写并测试了一段Python程序，威利森最终用这段程序发布了本次测试的对话记录。

速度是威利森提到的主要问题。威利森在LM Studio中测得的生成速度约为每秒15至30个token，明显慢于他常用的云端模型。不过改用llama.cpp并开启多token预测后，DGX Spark上的对比测试速度提高了约72%。

三、显存够了，也不等于省心

约17GB只是模型文件本身的大小。真正运行时，长文本、图片处理和推理软件还会继续占用内存。即使使用拥有24GB显存的高端显卡，用户仍要考虑能够留下多少上下文、两张显卡怎样分担模型，以及视觉功能在不同推理软件里是否稳定。三组海外测试，分别给出了不同的答案。

Reddit用户Round-Comparison-675用一张RTX 4090显卡，把上下文长度开到16万，并让模型全部由GPU运行。按他的测试，生成速度约为每秒47至57个token，已经可以用于编程和其他连续任务。

用户Ecstatic-Wash-7667使用两张RTX 3060 12GB显卡，在12.8万上下文、MTP2和Q4_K_XL量化设置下，测得每秒50.6个token，显存占用达到23.2/24.0GB。不过，他后来补充，不同测试得到的速度并不稳定：基准测试约为每秒36个token，实际提示词中又能接近50个token。为了给日常运行留下余量，他最终把上下文降到了11.2万。

RTX 3090用户jonaddb则花了近14个小时调试。他最终把上下文长度开到13.1万，生成速度超过每秒60个token；但视觉功能起初会直接崩溃，需要调整计算精度才能正常识别一张1080P截图。对他而言，模型能力不是主要问题，显卡架构和推理软件的适配反而花掉了更多时间。

三组测试共同说明，Qwen3.8-27B的量化版本已经能够承担实际任务，但离开箱即用还有一段距离。

四、"想太多"不是一句玩笑

Qwen3.8-27B提供最高、中等、较低和关闭推理等不同档位，但默认选择了最高档。复杂任务里，多想一会儿能减少中途走错方向；但遇到简单问题时，同一套设置却会把几秒钟的任务拉长到几分钟。

社区看法有分歧。有用户觉得Qwen3.8-27B相比前代进步明显，但即使把推理档位降到中等，模型仍可能思考很久，因此暂时不会把它设为日常主力。

也有人喜欢这种风格。社区实测显示，最高推理档虽然耗时明显更长，却可能换来更完整的输出。任务足够复杂时，"想得多"可能意味着少走几次回头路；但如果只是改写一句话、提取一段信息或者生成简单代码，同样的耐心就会变成负担。

云端模型多想一会儿，账单会先涨；本地运行省去了按次支付的云端接口费用，但多想一会儿，会等待更久、耗电更多、显卡更烫。Qwen3.8-27B已经允许用户调节推理强度，接下来的问题是，模型能不能根据任务难度自己判断：什么时候应该认真想，什么时候应该直接回答。

五、Meta、谷歌也在抢本地模型

今年6月，谷歌发布Gemma 4 12B，把16GB显存或统一内存作为本地运行门槛，希望它进入办公、内容处理和智能体工作流。同系列31B版本则面向编程、视觉理解和更复杂的推理任务。谷歌已经用不同规模的模型，覆盖从普通笔记本到高性能工作站的多档设备。

8月10日，Meta发布30B参数的Muse Glimmer，主攻编程、工具调用和本地智能体任务。扎克伯格同日再次强调开放模型，并表示Meta将恢复发布部分开放权重模型。

Qwen3.8-27B与Muse Glimmer体量接近，面向的也都是能够在个人设备运行的智能体任务；谷歌则用Gemma覆盖更宽的硬件范围。三家公司争夺的，是云端旗舰模型之下、普通小模型之上的本地使用空间。

Qwen这次最醒目的特点，是社区响应速度。模型发布后，量化版本、运行配置和排障经验几乎同步出现。Muse Glimmer和Gemma则背靠Meta、谷歌各自的研发与产品生态，这场竞争不会停留在一次模型发布上。300万次下载至少说明，很多开发者愿意先试一试。接下来更难的一步，是把这些仍需反复调试的方案，变成稳定、默认的使用路径。