阿里巴巴 Qwen3.8 解析：2.4 兆參數開放權重模型上線，企業該自架還是用 API？
「僅次於 Fable 5」現在對得上數字了嗎？
阿里巴巴在 7 月 19 日首度公開 Qwen3.8 時，宣稱它整體效能僅次於 Anthropic 的 Claude Fable 5（iThome）。8 月 3 日正式發布 Qwen3.8-Max 時，官方部落格與 Hugging Face 模型卡附上了完整的基準測試表，把 Qwen3.8-Max 與 Claude Opus 4.8、Claude Fable 5、GPT-5.6 Sol 和上一代 Qwen3.7-Max 放在一起比。
先把最重要的一句話講清楚：這張表是阿里巴巴自己測、自己公布的。 而就算照官方自己的數字看，表中能直接對照的 26 項分數裡，Fable 5 領先 17 項、Qwen3.8-Max 領先 7 項、2 項打平：
| 項目（官方自評） | Claude Fable 5 | Qwen3.8-Max |
|---|---|---|
| SWE-bench Pro（軟體工程） | 80.0 | 67.7 |
| HLE（高難度綜合問答，不用工具） | 53.3 | 43.6 |
| Terminal Bench 2.1（終端機操作） | 84.6 | 86.6 |
| IFBench（指令遵循） | 63.5 | 82.8 |
| GPQA Diamond（研究所程度科學題） | 92.6 | 92.6 |
讀這張表要記得三件事：多數程式類項目用 Claude Code 當測試框架、有數項是 Qwen 自建的內部基準，而且表下註明 Fable 5 的結果「可能包含回退機制」；比較對象是 Fable 5，不是 Anthropic 9 月 1 日推出的 Fable 5.1；分數標示的是 API 版 Qwen3.8-Max，開放權重版的功能比它少（下一節說明）。
所以「僅次於 Fable 5」比較準確的讀法是：在官方自評下接近 Fable 5，但多數項目仍落後。真正能拿來做採購決策的，是你用自己的任務測出來的結果。
在評估開源模型與商用 API 的取捨？讓 CloudInsight 專業團隊協助試算，比較自架與 API 的實際總成本。
TL;DR
Qwen3.8 已正式推出：總參數 2.4 兆、每個 Token 啟用 950 億，開放權重可直接從 Hugging Face 下載，授權允許商用，但對超大型產品與模型服務商設有門檻。官方自評分數顯示它多數項目仍落後 Fable 5；API 價格方面，輸入是 Fable 5.1 的五分之一、輸出約八分之一。自架需要 8～24 張頂級 GPU。建議先用 API 版測自己的任務，再決定要不要自架。
Qwen3.8 目前公布了哪些事實？
Answer-First： 架構、參數量、上下文長度、授權條款與 API 價格都已經公布在模型卡與官方定價頁上。官方沒辦法替你回答的，是「它在你的任務上表現如何」和「你自架的總成本是多少」——這兩件只能自己測、自己算。
已經公布的
| 項目 | 內容 |
|---|---|
| 發布時間 | 2026 年 8 月 3 日，Qwen 團隊發布 Qwen3.8-Max |
| 開放權重 | Qwen/Qwen3.8-2.4T-A95B，Hugging Face 與 ModelScope 公開下載、不需申請 |
| 架構 | 混合專家（MoE，Mixture-of-Experts，每個 Token 只啟用部分參數的架構），以 Qwen3.5 架構為基礎；92 層，線性注意力（Gated DeltaNet）與標準注意力交錯；512 個專家，每個 Token 啟用 10 個路由專家＋1 個共享專家 |
| 參數量 | 總計 2.4 兆、每個 Token 啟用 950 億 |
| 上下文長度 | 開放權重版原生 262,144 Token，可擴充至 1,010,000 Token；API 版 Qwen3.8-Max 預設 100 萬 Token、單次最大輸出 131K Token |
| 授權 | 自訂的「Qwen3.8-Max License」（條款重點見下文） |
| API | Qwen Cloud／阿里雲 Model Studio 國際站：每百萬 Token 輸入 $2、輸出 $6 |
| 官方列出的推論框架 | vLLM、SGLang、TokenSpeed |
開放權重版和 API 版不是同一個產品
模型卡寫明，API 上的 Qwen3.8-Max 是以 Qwen3.8-2.4T-A95B 為基礎的官方版本，另外多了視覺輸入、非思考模式、預設 100 萬 Token 上下文與官方內建工具。你下載回來自架的開放權重版則是：
- 純文字模型：不支援圖片等多模態輸入
- 一律開啟思考模式：每次回應都會先輸出一段推理內容，無法關閉；可用
reasoning_effort在 xhigh（預設）、medium、low 三段之間調整推理深度
官方描述的強項集中在長時程任務：可自主進行跨越十天以上的程式專案、處理法律、財務、設計等專業領域工作，API 版還能分析超長文件與長影片。
這對採購的意義是：如果你的需求包含讀圖，或想關掉思考模式省 Token，自架的開放權重版做不到，只能走 API 版。
官方沒替你回答的
- 在你的任務上的實際表現：公開分數全部是官方自評
- 自架的總成本：硬體、機房、網路與維運人力
- 授權門檻會不會碰到你：取決於你的營收規模與業務型態
- 思考模式的 Token 成本：開放權重版強制思考；API 版的輸出計價包含推理過程（Model Studio 定價表的輸出欄位標示為「Chain of thought + answer」）
這四項不是細節，是決定你能不能用、用了要花多少錢的核心變數。下一節開始逐項說明。
「效能僅次 Fable 5」該怎麼讀？
Answer-First： 把它讀成「官方自評下接近、但多數項目仍落後 Fable 5」，不要讀成「已驗證的排名」。廠商自評不代表錯，但它跟你的實際任務表現之間沒有可靠的對應關係，要用自己的資料測過才算數。
誰在宣稱、怎麼測的
- 宣稱方：阿里巴巴 Qwen 團隊；分數公布在官方部落格與 Hugging Face 模型卡
- 測法：多數程式類項目以 Claude Code 為測試框架；外部模型的分數有些取自公開排行榜、有些是 Qwen 自行測試；表下註明 Fable 5 的結果「可能包含回退機制」
- 產業觀察：The Verge 認為 Qwen3.8 與 Moonshot AI 的 Kimi K3 接連登場，顯示中國開放權重模型正對美國封閉模型形成壓力
第三點是這則新聞真正有價值的部分。個別項目的排名可以爭論，但「開放權重陣營正在快速逼近」這個趨勢是有觀察基礎的——而這才是會影響你未來三年採購策略的變數。
對照組：Claude Fable 5.1 目前的公開狀況
阿里巴巴拿來比的是 Fable 5；Anthropic 已在 2026 年 9 月 1 日推出 Fable 5.1，價格不變，官方表示在長時程程式開發、多步驟研究與文件、試算表、簡報工作上更強，Fable 5 則改列為仍可使用的舊版。把現行對照組的公開事實列出來：
| 項目 | Claude Fable 5.1 | Qwen3.8-Max（API 版） |
|---|---|---|
| API 定價（每百萬 Token） | 輸入 $10／輸出 $50（官方定價） | 輸入 $2／輸出 $6 |
| 上下文 | 100 萬 Token，最大輸出 128K | 100 萬 Token，最大輸出 131K |
| 取得管道 | Claude API、Amazon Bedrock、Google Cloud、Microsoft Foundry、Claude Platform on AWS；Azure Databricks 也已上架為 Databricks-hosted 模型 | Qwen Cloud／阿里雲 Model Studio |
| 權重 | 不開放 | 開放（Qwen3.8-2.4T-A95B） |
價差很明顯：同樣每百萬 Token，Qwen3.8-Max 的輸入價是 Fable 5.1 的五分之一、輸出價約八分之一，而且有權重可以自架。但它在官方自評表上多數項目仍落後 Fable 5，而 Fable 5.1 又是更新的版本。值不值得為了價差換模型，取決於你的任務落在哪些項目——這只有拿自己的資料測才知道。
想了解 Fable 5 的完整功能、評測與採購管道？請參考 Claude Fable 5 完整指南。
開放權重 vs 商用 API：採購決策的四個真實差異
Answer-First： 開放權重最大的吸引力不是「免費」，是資料不出境、成本可預測、不受廠商停用機種影響。但代價是硬體、維運與法務成本全部轉到你身上。這四項差異決定了哪種模式適合你。
1. 成本結構完全不同：固定成本 vs 變動成本
商用 API 是變動成本——用多少付多少，用量歸零時帳單也歸零。自架是固定成本——GPU 買下去或租下去，不管你有沒有在跑都在燒。
臨界點在哪裡？ 這要算，而且要用你自己的用量算。一般的判斷方式是：先估你的月 Token 量，乘上 API 單價得到年度 API 支出，再跟自架的硬體＋機房＋人力年成本比。用量低、尖峰不規律的公司，API 幾乎永遠划算；用量大、負載穩定、且有既有 GPU 資源的公司，自架才有機會贏。
Qwen3.8 現在可以粗估了。 先釐清一個常見誤解：MoE 架構每個 Token 只啟用 950 億參數，降低的是每個 Token 的運算量，但全部 2.4 兆參數仍要放進 GPU 記憶體。依模型卡連結的 vLLM 部署指南：
| 權重版本 | 權重大小 | 參考硬體 |
|---|---|---|
| BF16（全精度） | 約 4.45 TiB | 24 張 NVIDIA B300，即 3 台 8 卡伺服器 |
| FP8 | 約 2,996 GB | — |
| NVFP4（4 位元量化） | 約 1,737 GB | 8 張 Blackwell GPU |
跨多台伺服器做張量平行部署時，vLLM 指南要求伺服器之間以 InfiniBand 高速網路互連。換句話說，就算用量化版，入門門檻也是一整台 8 卡頂級 GPU 伺服器。
API 這邊則可以直接用官方單價試算。舉例（概略估算）：每月 1 億輸入 Token、2,000 萬輸出 Token，Qwen3.8-Max 約 $320（100×$2＋20×$6），Fable 5.1 約 $2,000（100×$10＋20×$50）。要注意思考模式產生的推理內容也算在輸出 Token 裡。月花費在這個量級的公司，拿去買或租 8～24 張頂級 GPU 很難划算；要用量大上好幾個數量級、或有資料不能出境的硬性要求，自架才值得認真算。
2. 資料落地與合規
這是很多台灣企業真正在意的點：資料會不會離開自己的機房、會不會出境。
- 自架開放權重模型：資料完全留在你的環境，這是最強的合規論述
- 商用 API：資料會送到廠商端處理，需要看服務條款與資料處理協議
要特別注意的是，「模型是中國公司開發的」跟「資料會傳到中國」是兩件不同的事。如果你是自架權重、跑在自己的機房，資料不會流向阿里巴巴。但如果你是透過 Qwen Cloud／Model Studio 呼叫 API，資料就會送到阿里雲的服務區域處理，屬於實際的跨境傳輸。
法規面也要讀準：台灣個資法第 21 條規定的是，非公務機關國際傳輸個人資料時，若涉及國家重大利益、接受國個資保護法規不完善等情形，主管機關「得限制」——並不是一律要求資料必須存放在台灣。但金融、醫療、公部門標案等產業另有主管機關規範與合約要求，導入前仍要先跟法遵確認。
現在開放權重版已經可以下載，「資料不出境」這個好處第一次實際拿得到——前提是你負擔得起前面提到的硬體，而且能接受開放權重版沒有視覺輸入的限制。
3. 授權條款＝法務風險
「開放權重」不等於「可以商用」，也不等於 MIT 或 Apache 那種寬鬆授權。開放權重模型的授權條款差異很大，常見的限制包括：使用者規模上限、禁止用於訓練競品模型、須標示模型來源、特定產業排除條款。
Qwen3.8 採用的是自訂的「Qwen3.8-Max License」。基本授權很寬：允許使用、修改、散布、販售、部署、代管、微調與製作衍生模型，但附了兩道條件：
- 大型產品要標示模型名稱：若用在月活躍使用者超過 1 億、或月營收超過 2,000 萬美元的商業產品或服務，須在使用者介面明顯標示所用的模型名稱
- 模型服務商與 AI 工作助理業者要另取授權：若你或關係企業經營「模型即服務」（讓第三方透過 API 等方式使用模型推論或微調）或「AI 工作助理」（以 AI 輔助程式開發或辦公生產力為主的獨立產品）業務，且合計營收在任何連續 12 個月內超過 5,000 萬美元，商用前須另向 Qwen 取得授權；純內部使用、不把軟體、輸出或模型能力提供給第三方者不在此限
對多數台灣企業來說，這兩道門檻都碰不到，內部導入的法務阻力相對小。但如果你是要把模型包成服務賣給客戶的 SaaS 或系統整合商，第 2 條要逐字讀過，並把營收門檻寫進合約審查清單。
4. 維運人力才是隱形成本
自架 LLM 需要的不只是硬體，還有：模型部署與版本管理、推論服務的擴縮與監控、GPU 資源排程、安全性更新、以及出事時有人能修。
多數台灣中型企業的 IT 團隊沒有這條線的人力。評估自架時，把「要多請幾個人、或現有的人要挪多少時間」這一欄寫進試算表，往往會發現 API 的總持有成本反而更低。
想比較主流模型的定價與定位？請參考 LLM 模型排名與比較：2026 年主流大型語言模型定價與選型指南。
CloudInsight 多平台一站代購｜免多頭管理
不論你最後選商用 API、開放權重自架，還是兩者混用，採購端都不該變成三份帳。
CloudInsight 提供 OpenAI + Claude + Gemini 一站代購，統一管理、統一帳務、統一開立台灣發票，並提供中文技術支援。
聯繫 CloudInsight，取得企業方案報價
台灣企業現在該怎麼做？三個務實建議
Answer-First： 規格、授權、價格都公布了，Qwen3.8 已經可以進入評估。順序很重要：先過法務、再測任務、最後才算自架——反過來做，常常是硬體估完才發現授權或功能不合。
1. 依序走三個評估關卡
- 法務讀授權條款 → 確認前面提到的兩道門檻有沒有碰到你，尤其是要把模型包成服務對外提供的公司
- 用自己的任務測 API 版 → 挑一批非機密的真實工作樣本，跟你現在用的模型並排比較品質與 Token 用量（思考模式的推理 Token 也要算進去）
- 用量與資料敏感度都夠高，才試算自架 → 並確認你的需求不需要讀圖或關閉思考模式，因為開放權重版做不到
前一關沒過，就不必進下一關。
2. 現在就把「模型可替換」做進架構
不管 Qwen3.8 最後好不好用，這一年的模型換代速度已經證明一件事：把模型名稱寫死在程式裡，是會定期咬人的技術債。
務實做法：把 model ID 拉成設定值、在應用層跟模型 API 之間加一層薄薄的抽象（只抽象「送 prompt、收回應」這件事，不要過度設計）、在監控加上「每個模型的月花費」維度。做到這三件事，未來換任何模型都是改設定，不是改程式。Qwen 官方的 API 同時提供與 OpenAI 及 Anthropic 相容的介面，有這層抽象的系統要切換測試會更容易。
3. 想試 Qwen，先從風險最低的管道試
要測 Qwen3.8 本身，最快的方式是用 Qwen Cloud 的 API 搭配非機密資料試跑，不必先買硬體。如果你的資安流程要求走既有雲端合約，Azure Databricks 目前列為 Databricks-hosted 模型的是 Qwen3.5 122B A10B、Qwen3-Next 80B A3B Instruct 等 Qwen 系列型號，清單上沒有 Qwen3.8，但可以先用來熟悉 Qwen 系列的行為（Microsoft Learn）。
想了解阿里雲 AI 服務的完整輪廓與 API 使用方式？請參考 阿里雲 AI API 完整介紹。
FAQ - Qwen3.8 常見問題
Qwen3.8 效能真的僅次於 Claude Fable 5 嗎？
照阿里巴巴自己公布的分數，是「接近但多數項目落後」。 官方模型卡中能與 Fable 5 直接對照的 26 項分數，Fable 5 領先 17 項、Qwen3.8-Max 領先 7 項、2 項打平；例如 SWE-bench Pro 為 80.0 對 67.7，Terminal Bench 2.1 則是 84.6 對 86.6。這些都是官方自評，而且比較對象是 Fable 5 而非 9 月推出的 Fable 5.1。實際表現請用自己的任務測過再判斷。
Qwen3.8 的權重在哪裡下載？API 多少錢？
開放權重版 Qwen/Qwen3.8-2.4T-A95B 已在 Hugging Face 與 ModelScope 公開，不需申請即可下載。API 方面，Qwen Cloud／阿里雲 Model Studio 國際站的 Qwen3.8-Max 每百萬 Token 輸入 $2、輸出 $6，Model Studio 也以相同單價提供開放權重版 qwen3.8-2.4t-a95b 的託管 API。實際費率與區域請以阿里雲官方定價頁為準。
Qwen3.8 可以商用嗎？
可以，但要讀授權條款。Qwen3.8 採自訂的「Qwen3.8-Max License」，允許使用、修改、販售、代管與微調；月活躍使用者超過 1 億或月營收超過 2,000 萬美元的產品，須在介面標示模型名稱；經營模型 API 服務或 AI 程式／辦公助理業務、且連續 12 個月營收超過 5,000 萬美元的公司，商用前須另取授權。純內部使用不受第 2 條限制。
2.4 兆參數代表需要多大的硬體？
比多數企業想像的大。 Qwen3.8 是混合專家（MoE）架構，每個 Token 只啟用 950 億參數，但全部 2.4 兆參數都要載入 GPU 記憶體。依 vLLM 部署指南，BF16 全精度權重約 4.45 TiB，需 24 張 NVIDIA B300（3 台 8 卡伺服器）；NVFP4 量化版約 1,737 GB，也要 8 張 Blackwell GPU；跨多台伺服器做張量平行部署時，還需 InfiniBand 互連。
自架開源模型會比用商用 API 便宜嗎？
看用量與負載型態。API 是變動成本（用多少付多少），自架是固定成本（硬體與人力持續在燒）。以 Qwen3.8 為例，API 版每百萬 Token 輸入 $2、輸出 $6，而自架入門就要一整台 8 卡頂級 GPU 伺服器，用量低或尖峰不規律的公司幾乎一定是 API 划算；用量極大、負載穩定、已有 GPU 資源與維運人力的公司才有機會靠自架省錢。試算時務必把維運人力成本算進去，那通常是被低估最多的一項。
用中國開發的模型，資料會不會傳到中國？
要看你怎麼用。自架權重在自己的機房，資料不會外流；透過 Qwen Cloud／Model Studio 的 API 呼叫，資料會送到阿里雲的服務區域處理，屬於跨境傳輸。 這兩件事常被混為一談。Qwen3.8 的開放權重版已可下載，「資料不出境」這個好處現在拿得到，但要自備硬體，且開放權重版只支援文字。台灣個資法第 21 條是讓主管機關在特定情形下「得限制」國際傳輸，並非一律要求資料留在台灣；金融、醫療、公部門標案等產業另有規範，導入前務必先確認。
那我現在應該用什麼？
若你需要的是今天就能上線、有明確定價、有多雲取得管道的選項，Claude Fable 5.1（$10／$50）或 OpenAI 的 GPT-6 系列都是可以立刻評估的。如果價格是首要考量，Qwen3.8-Max 的 API 單價低很多，值得拿自己的任務並排測試；開放權重版則適合資料不能出境、而且有能力自建 GPU 叢集的團隊。
結論：可以評估了，先過法務、再測任務、最後才算自架
三個核心判斷
- 官方自評 ≠ 已驗證：模型卡的分數讓比較有了依據，但都是阿里巴巴自己測的；而且連官方自評表都顯示它多數項目仍落後 Fable 5
- 開放權重 ≠ 容易自架：2.4 兆參數需要 8～24 張頂級 GPU、多台伺服器互連與維運人力；開放權重版還少了視覺輸入與非思考模式。多數企業比較實際的起點是 API 版
- 趨勢比個案重要：開放權重陣營快速逼近是真的，這會影響你未來三年的議價位置與架構選擇，值得現在就把「模型可替換」做進系統
這則新聞真正該帶走的一句話
開放權重模型的價值不在「免費」，在於它給了你一個不受單一廠商定價與停用時程綁架的備案。但備案要能用，前提是你的系統換模型的成本夠低。這件事現在就能做，不必等任何一個特定模型。
本文資訊查核日：2026 年 10 月 1 日。 Qwen3.8 的規格與授權請以 Hugging Face 模型卡為準、API 定價請以阿里雲官方定價頁為準；Claude 定價請以 Anthropic 官方定價頁為準。
需要協助評估自架與 API 的取捨？
聯繫 CloudInsight 業務團隊，我們可以依您的實際用量，比較商用 API 與自架方案的總持有成本。
我們提供：多平台一站代購、企業折扣、統一發票、中文技術支援。
加入 LINE 官方帳號，即時諮詢模型選型問題。
延伸閱讀
- Claude Fable 5 完整指南 2026：首個 Mythos 級模型功能、評測與企業採購
- LLM 模型排名與比較：2026 年主流大型語言模型定價與選型指南
- 阿里雲 AI API 完整介紹｜2026 年通義千問、百煉平台功能與使用教學
- AI API 怎麼選？2026 年 OpenAI vs Claude vs Gemini 完整比較指南
- AI API 費用比較完整攻略｜2026 年 OpenAI、Claude、Gemini 成本分析
參考資料
- Qwen3.8-2.4T-A95B 模型卡 — Hugging Face（架構、上下文長度、基準測試）
- Qwen3.8-Max License — Hugging Face
- Qwen3.8-Max：编程与办公，全面跃升 — Qwen 官方部落格（2026-08-03）
- Qwen3.8-Max 模型頁 — Qwen Cloud
- Model inference pricing — 阿里雲 Model Studio（2026-10-01 查核）
- Qwen3.8-2.4T-A95B 部署指南 — vLLM Recipes
- 阿里巴巴發表 2.4 兆參數 Qwen3.8，宣稱效能僅次於 Fable 5 — iThome（2026-07-21，文／陳曉莉）
- Claude Fable 5.1 — Anthropic 官方文件
- Claude 官方定價 — Anthropic（2026-10-01 查核）
- Databricks-hosted foundation models — Microsoft Learn
- 個人資料保護法第 21 條 — 全國法規資料庫
相關文章
LLM 是什麼？大型語言模型完整指南：從原理到企業應用【2026】
LLM 是什麼意思？本文完整解析大型語言模型的核心原理、主流模型比較（GPT-6、Claude Opus 5.5、Gemini 3.1 Pro）、MCP 協議、企業應用場景與導入策略，幫你快速掌握 AI 技術趨勢。
LLMLLM 教學入門：新手必看的學習路線與資源推薦【2026】
為 LLM 初學者整理完整學習路線圖，推薦免費與付費課程資源，從 Prompt Engineering 到 RAG、Fine-tuning，幫助你從零開始學習大型語言模型。
LLMLLM Fine-tuning 實戰指南：打造企業專屬 AI 模型【2026 更新】
完整解析 LLM 微調技術，從 LoRA、QLoRA、LoRAFusion 原理到實戰流程，比較 OpenAI、Gemini Enterprise Agent Platform（前身為 Vertex AI）、開源方案的成本效益，幫助企業打造專屬 AI 模型。