阅读我们的如何运行 Qwen3.8-27B 指南！这个 GGUF 使用 Unsloth 动态 V3.0（预览）以实现尖端量化性能。开发者角色支持使 Qwen3.8 可以在 Codex 和其他代理工具中工作！现在可以在 Unsloth Desktop 中运行和微调 Qwen3.8。阅读我们的指南。工具调用改进：使解析嵌套对象以成功调用工具成为可能。请参阅下面在 Unsloth 中运行的 1 位 Qwen3.8：继 Qwen3.5 和 Qwen3.6 系列被广泛采用后，我们很高兴地推出 Qwen3.8，这是迄今为止 Qwen 开放模型家族中最强大的版本。基于 Qwen3.5 的架构基础，Qwen3.8 在编码、专业工作、研究和长期代理任务方面取得了显著的提升。Qwen3.8-27B 将这些进步带入一个紧凑、便于部署的密集模型：一个原生的视觉-语言模型，能够理解图像和视频，具有灵活的思维控制，旨在更可靠地完成复杂的多步骤任务。Qwen3.8 的亮点 Qwen3.8-27B 具有以下增强功能：核心能力：在编码、专业工作、研究和长期代理任务方面全面提升。代理执行：更强大的自主规划和更好的环境反馈处理，导致更可靠的端到端任务完成。下游兼容性：对流行的工具和开发工具有更广泛的支持，使其更容易集成到现有的堆栈中。灵活的思维控制：思维模式默认为开启，可以根据请求禁用；推理深度可以通过 reasoning_effort 进行调节，推理上下文通过 preserve_thinking 保留。视觉-语言理解：原生支持图像和视频理解，从 STEM 图示和文档到小时级视频。模型概述 类型：具有视觉编码器的因果语言模型 训练阶段：预训练和后训练 语言模型 参数数量：27B 隐藏维度：5120 令牌嵌入：248,320（填充） 层数：64 隐藏布局：16 ×（3 ×（门控 DeltaNet → FFN）→ 1 ×（门控注意力 → FFN）） 门控 DeltaNet： 线性注意力头数量： 对 V 为 48，对 QK 为 16 头部维度：128 门控注意力： 注意力头数量： 对 Q 为 24，对 KV 为 4 头部维度：256 旋转位置嵌入维度：64 前馈网络：中间维度：17,408 LM 输出：248,320（填充） MTP（多令牌预测）：使用多步骤训练 上下文长度：262,144 原生支持并可扩展至 1,000,000 令牌。 最佳实践 为实现最佳性能，我们建议使用以下设置： 采样参数：我们建议使用以下采样参数集： 思维模式：temperature=1.0，top_p=0.95，top_k=20，min_p=0.0，presence_penalty=0.0，repetition_penalty=1.0 指令（或非思维）模式：temperature=0.7，top_p=0.80，top_k=20，min_p=0.0，presence_penalty=1.5，repetition_penalty=1.0 对于支持的框架，您可以将 presence_penalty 参数调整范围在 0 到 2 之间，以减少无尽的重复。然而，使用较高的值有时可能会导致语言混合和模型性能的轻微下降。 足够的输出长度：为了优化代理任务的性能，我们建议分配足够的输出长度，以便模型生成详细和全面的响应。对于支持内部推理和最终输出的不同令牌限制的框架，我们建议在 1M 上下文长度内配置：推理内容：将最大输出长度设置为 262,144 令牌。最终响应：将最大输出长度设置为 131,072 令牌。这些设置为复杂推理提供了必要的容量，同时确保为高质量的最终交付留出充足的空间。 处理超长文本：Qwen3.8-27B 原生支持最多 262,144 令牌的上下文长度。对于总长度（包括输入和输出）超过此限制的长期任务，我们建议使用 RoPE 缩放技术有效处理长文本，例如 YaRN。 长视频理解：为了优化纯文本和图像的推理效率，发布的 video_preprocessor_config.json 中的大小参数被保守配置。建议在 video_preprocessor_config 文件中将 longest_edge 参数设置为 469,762,048（对应于 224k 视频令牌），以启用更高帧率的采样，从而实现小时级视频的更优性能。例如，{ "longest_edge" : 469762048 , "shortest_edge" : 4096 } 引用 如果您发现我们的工作有所帮助，请随意引用我们。 @misc{qwen38, title = {{Qwen3.8-Max}: 编码与协作的新标杆}, url = {https://qwen.ai/blog?id=qwen3.8}, author = {{Qwen 团队}}, month = {八月}, year = {2026} }