Qwen3.8 开源版（2.4T-A95B）vs Qwen3.8-Max：开源权重对 API 路由的影响

2026 年 8 月 3 日，阿里巴巴以闭源 API 的形式上线了 Qwen3.8-Max。九天后的 8 月 12 日，团队在 Hugging Face 和 ModelScope 上放出了开源权重版本 Qwen3.8-2.4T-A95B。两个模型共享同一套 2.4 万亿参数的稀疏混合专家（MoE）架构，每次前向传播激活 950 亿参数。

它们并不是同一个产品。开源版只支持纯文本输入，闭源 Max 保留了原生的图像和视频理解能力、结构化输出、内置工具，以及阿里巴巴自有的对齐训练。价格差距同样显著，第三方推理服务商部署开源权重版的价格只有 DashScope Max 的零头。

下面从架构差异、定价、适用场景和路由配置四个方面做一个对比。

架构：同一套骨架，不同的能力层

Qwen3.8-2.4T-A95B 和 Qwen3.8-Max 都是 2.4T 参数的 MoE 模型，每个 token 激活 95B 参数，上下文窗口都是 1M token，都支持思考模式（扩展推理链）。

开源版是纯文本生成模型，不包含视觉编码器，无法处理图像或视频输入。闭源 Max 保留了完整的多模态输入能力。

闭源 Max 还依赖阿里巴巴的服务端基础设施提供一系列附加功能，包括函数调用、结构化输出（JSON 模式）、批处理、前缀补全，以及 Responses API 上的五个内置工具（code_interpreter、web_search、web_extractor、t2i_search、i2i_search）。开源版本身不提供这些功能，但 vLLM 等推理框架可以在上层实现函数调用和 JSON 模式。

来源 Qwen 博客、ModelScope 模型卡片、MarktechPost。检索时间 2026-08-20。

定价：差距非常大

DashScope（华北2 北京区域）上的 Qwen3.8-Max 定价为每百万输入 token 12 元人民币，每百万输出 token 36 元人民币，折合大约 $2.00 和 $6.00。缓存命中的输入降至 $0.25/M。全 1M 上下文窗口统一定价，没有阶梯。

开源权重版 Qwen3.8-2.4T-A95B 通过第三方推理服务商提供，价格低得多。SiliconFlow 标价 $0.14/M 输入 token，比 Max 的 DashScope 价格低了 93%。OpenRouter 也托管了这个开源版本。

一个容易被忽略的细节是，DashScope 本身也上线了 qwen3.8-2.4t-a95b 这个模型 ID，但定价与 Max 完全相同，都是 12/36 元。想要拿到成本优势，必须走第三方服务商。

来源 DashScope 定价页、SiliconFlow 公告。检索时间 2026-08-20。

跨供应商比较 API 价格时，统一到美元每百万 token口径，并区分输入与输出。多数供应商的输出 token 价是输入的 2–5 倍，所以"补全长度大" 的负载与"检索为主"的负载在同样的标称单价下成本会差很多。

• 统一货币（USD）——发表日按汇率折算并标注。
• 区分输入/输出——永远不要给单一"混合价"。
• 每行引到供应商自己的价格页 + 抓取日期。
• 注明长上下文阶梯价——长上下文常常单独跳一档。

什么场景该用哪个

选择取决于两个核心问题，工作流是否涉及图像或视频，以及是否需要闭源平台的原生工具链。

选 Qwen3.8-Max 的场景

• 工作流包含图像或视频输入，比如文档 OCR、截图分析、视频内容索引
• 需要原生函数调用、结构化输出或批处理，不想在推理框架层额外实现
• 需要内置工具（code_interpreter、web_search），不想自己管理
• DashScope 的上下文缓存（$0.25/M）配合大量 prompt 复用，让 Max 的实际成本足够有竞争力

选 Qwen3.8-2.4T-A95B（开源权重）的场景

• 工作流是纯文本，比如编程 agent、研究综述、文档生成
• 追求最低的单 token 成本，可以通过 SiliconFlow 调用或自托管
• 需要数据不出本地基础设施（合规要求、隔离网络）
• 需要对模型做领域微调

在两者之间做路由的场景

• 大部分流量是纯文本（走 SiliconFlow 省钱），少量请求包含图像（走 DashScope Max）
• 需要一条降级链路，先尝试便宜的开源端点，挂了再回退到 Max

OpenAI 兼容指供应商提供一个 chat-completions 接口，其请求与响应结构与 OpenAI API 契约足够接近——只需替换三个值（API key、base URL、模型名），原来的 OpenAI SDK 调用即可直接工作。最小实践面是POST /v1/chat/completions 带 messages、model， 并返回 OpenAI 形式的流式响应。

路由配置

两个模型都遵循 OpenAI Chat Completions 协议。如果你在用 OpenAI 兼容网关，路由切换只需要改模型 ID 和 base URL。

# 纯文本请求 → 路由到 SiliconFlow（开源权重，更便宜）
from openai import OpenAI

client = OpenAI(
    base_url="https://api.siliconflow.cn/v1",
    api_key="YOUR_SILICONFLOW_KEY",
)

response = client.chat.completions.create(
    model="Qwen/Qwen3.8-2.4T-A95B",
    messages=[{"role": "user", "content": "把这段函数重构成 async/await 写法。"}],
)

# 视觉请求 → 路由到 DashScope（闭源 Max，多模态）
client = OpenAI(
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key="YOUR_DASHSCOPE_KEY",
)

response = client.chat.completions.create(
    model="qwen3.8-max",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "描述这张截图里的内容。"},
            {"type": "image_url", "image_url": {"url": "https://example.com/screenshot.png"}},
        ],
    }],
)

OpenAI 兼容路由层可以检查请求内容的类型，纯文本发往更便宜的开源端点，多模态请求发往 DashScope Max。

基准测试：开源版和闭源版差多少

阿里巴巴发布了 Qwen3.8-Max 的完整基准测试表，但没有单独发布开源权重版的评测分数。ModelScope 上的模型卡片确认了相同的架构（2.4T 总参数、95B 激活），但不含评估成绩。

第三方评测机构 BenchLM 给 Qwen3.8-Max 打了 79.9/100 分，在 221 个模型中排名第六。关键分数包括 Terminal-Bench 2.1 得分 86.6（低于 GPT-5.6 Sol 的 88.8，高于 Claude Opus 4.8 的 84.6），GPQA Diamond 92.6，PaperBench 93.0。

对于开源版，合理的预期是在纯文本基准测试上与 Max 接近，因为架构和参数规模完全相同。差距会出现在需要视觉输入的评测上，因为开源版无法处理图像。

截至 2026 年 8 月 20 日，专门针对 Qwen3.8-2.4T-A95B 的独立基准测试仍在陆续出炉中。

来源 BenchLM、Qwen 博客、MarktechPost。检索时间 2026-08-20。

自托管的现实考量

开源版本采用 Apache 2.0 许可证，可以从 Hugging Face 或 ModelScope 下载后部署在自有基础设施上。

实际挑战在于规模。2.4T 总参数的模型，即便 MoE 的稀疏性只激活 95B 参数，对显存的需求也很大。一台配备 8 张 H100（每张 80GB，共 640GB）的单机，在 vLLM 等框架的内存开销下未必能放得下。生产环境的自托管，多节点部署是更现实的路线。

如果团队希望在本地推理但投入不了多节点集群，Qwen3.8-27B 密集模型（8 月 19 日发布，同样 Apache 2.0）可以在单张 80GB GPU 上运行，提供 Qwen3.8 代的能力，只是规模小得多。

对大多数团队来说，务实的自托管路径是把 2.4T 开源版交给 SiliconFlow 的托管推理来跑，把 27B 密集版部署在本地应对延迟敏感或隔离网络的场景。

总结

开源权重让 Qwen3.8 从单一厂商的 API 变成了多服务商可供的通用模型。纯文本工作负载通过 SiliconFlow 调用 $0.14/M，对比 DashScope 的 $2.00/M，同一套架构上省了 93% 的成本。涉及图像或视频的任何任务，Qwen3.8 家族里目前只有闭源 Max 能做。

在两者之间配好路由，是大多数团队的务实解法。

本文引用来源

1. Qwen3.8-Max 发布公告 - Qwen 博客（检索时间 2026-08-20）
2. DashScope 模型定价 - 阿里云（检索时间 2026-08-20）
3. Qwen3.8-2.4T-A95B 模型卡片 - ModelScope（检索时间 2026-08-20）
4. SiliconFlow 定价公告 - X/Twitter（检索时间 2026-08-20）
5. Qwen3.8-Max 基准测试 - BenchLM（检索时间 2026-08-20）
6. MarktechPost Qwen3.8-Max 报道（检索时间 2026-08-20）
7. Qwen API 定价分析 - Spheron（检索时间 2026-08-20）
8. SiliconFlow 定价页（检索时间 2026-08-20）