Qwen3.8-Max 之后，开源大模型开始追平闭源前沿

2026-08-20 · waytomilky

8 月初通义发了 Qwen3.8-Max：2.4 万亿总参数，约 950 亿激活。开源。1M token 上下文，原生多模态。Alibaba 报告说 Qwen3.8-Max 在一个真实软件项目上自主编码跑了 16 天。上线时 benchlm.ai 综合榜排第 6（218 个模型，79.8 分）。

这是 Qwen 第一次把 Max 级模型权重开放出来。

2.4T 不是噱头，结构本身是个工程答案

参数膨胀到这个量级，常规训练早就跑不动了。Qwen3.8-Max 用的是 MoE 架构：2.4T 总参数，激活 95B。这意味着推理时实际算力只跟 95B 模型相当，但知识容量接近更大的密集模型。

两个数字值得关注：

• 1M token 上下文。原生支持文本、图像、视频、音频。
• agentic coding 实测：16 天连续编码一个真实项目。

16 天不是"运行时间"，是模型自己决策、改代码、跑测试、再改的循环持续 16 天没断。这对 agent 框架的稳定性要求非常高。

紧接着 27B 把"消费级"重新定义

8 月 14 日，Qwen3.8-27B 开源，Apache 2.0，27.8B 密集模型。几个硬指标：

• Terminal-Bench 73.0
• DeepSWE 1.1：42.2，比 Gemma 4-27B 高 217%
• 单卡 4090 跑得动

这意味着：一台 4090 工作站可以跑接近 Opus-4.6 级别的 agentic 编码能力。放在一年前，这是不可想象的事。

不是只有阿里

8 月的开源 AI 圈像下饺子：

| 日期 | 模型 | 厂商 | 关键卖点 | |------|------|------|----------| | 8/03 | Qwen3.8-Max | Alibaba | 2.4T MoE，最大开源权重 | | 8/10 | Muse Glimmer 30B | Meta | 29.6B 密集多模态，Apache 2.0 | | 8/11 | Nemotron 3.5 Lightning | NVIDIA | 30B MoE，仅 3B 激活，1M 窗口 | | 8/14 | Qwen3.8-27B | Alibaba | 27B 密集，消费级 GPU 跑得动 |

Meta 在 Muse Glimmer 之外还放了预告——Muse Spark 1.2 权重会在之后公开，Zuckerberg 同时宣布 10 亿美元数据中心社区基金。NVIDIA 的 Nemotron 4 据说在训练中，至少 1T 参数。

开源这一波的密度明显比 2024、2025 年都高。

我自己的判断

几个点：

1. 闭源/开源的"代差"在缩。从 GPT-4 出来时闭源领先开源 1-2 代，到 2025 年初落后 0.5 代，再到 2026 年 8 月已经基本同代（部分任务持平甚至反超）。 2. 个人 AI 工作站开始现实可行。Qwen3.8-27B 跑在 4090，Muse Glimmer 单卡消费级 GPU。本地 LLM 终于不只是 demo。 3. 大厂策略分两路：闭源（如 OpenAI、Google）赌能力上限；开源（阿里、Meta、NVIDIA）赌生态覆盖。

对站长、独立开发者来说：开源模型是降低成本的工具；闭源前沿是能力上限的工具。两个都用，是合理选择。

局限

写这篇的时候我得说清楚：

• 2.4T 跑起来对显存和电源的要求非常高，普通人用不到 Qwen3.8-Max 本身。
• 16 天自主编码是阿里自己的报告，没看到独立复现。
• 多个模型的"对标"基准（如 Terminal-Bench、DeepSWE）发布方占优势。

小结

8 月开源大模型集中爆发不是偶然。架构成熟（MoE + 长上下文 + 多模态）+ 训练基础设施（万卡集群） + 商业动机（卖云、抢生态）三股力合在一起。

Qwen3.8-Max 的意义不是"开源反超闭源"，而是"开源第一次有机会比肩闭源前沿"。这比反超更值得记录。