2026 年 8 月中旬，Qwen3.8-27B 正式开源（8 月 14 日，Apache-2.0），而 DeepSeek V4 的 Flash 与 Pro 两个模型也已经通过 API 和开放权重运行了几个月（最新版本分别是 0731 与 0813）。一个是 27B 的稠密小钢炮，一个是 284B/1.6T 的稀疏巨兽，两款模型代表了当下开源模型效率之争的两条典型路线。这篇文章用公开资料把它们的规格、架构、能力、部署与成本放在一起对比。
一句话定位
- DeepSeek V4：面向“百万级上下文智能”的 MoE 家族。Flash 是 284B 总参数 / 13B 激活参数的稀疏模型，Pro 是 1.6T / 49B 激活参数的旗舰。两者都原生支持 1M 上下文与 384K 输出，主打超长上下文 + 可控深度推理。
- Qwen3.8-27B：Qwen 开源家族最新一代的紧凑稠密模型，27B 全参数激活，原生图文视频理解，262K 原生上下文（可扩展至 1M），内置 MTP 多头预测加速。官方称它把“Qwen-Max 级”的能力第一次带到了开源。
两者都是开源权重（V4 为 MIT，Qwen3.8-27B 为 Apache-2.0），都可以本地部署，但部署门槛和适用场景截然不同。
规格对比
| 项目 | DeepSeek V4 Flash | DeepSeek V4 Pro | Qwen3.8-27B |
|---|---|---|---|
| 总参数 | 284B（MoE） | 1.6T（MoE） | 27B（稠密） |
| 激活参数 | 13B | 49B | 27B |
| 专家配置 | 256 专家/层，43 个路由层 | MoE（同系架构） | — |
| 注意力架构 | CSA 压缩稀疏注意力 + HCA 重度压缩注意力（128 token 滑窗 + 4x/128x 压缩 KV 行） | 同 Flash 架构 | Gated DeltaNet 线性注意力 + 每 4 层插入一层全注意力 |
| KV 缓存 | MLA 式潜变量注意力，NVFP4 量化 | 同左 | 线性注意力状态 + 全注意力 KV |
| 上下文长度 | 1M 原生 | 1M 原生 | 262K 原生，可扩展至 1M |
| 最大输出 | 384K | 384K | — |
| 多模态 | 纯文本 | 纯文本 | 原生图像 + 视频理解 |
| 思考模式 | 默认思考，off/low/high/max 四档 | 同左 | 默认思考，reasoning_effort 可调，preserve_thinking 保留思考上下文 |
| 工具调用 | DSML 工具协议，DeepSeek Harness 生态 | 同左 | 标准工具调用 + 官方托管版内置工具 |
| 许可证 | MIT | MIT | Apache-2.0 |
| 发布节点 | 2026 年 4 月预览，0731 为最新 Flash | 0813 为最新 | 2026-08-14 |
两组数字最能说明差异：激活参数上，Qwen3.8-27B 的 27B 全部参与计算，而 V4 Flash 只有 13B 被激活；但权重体积上，V4 Flash 的 284B 需要 128GB 以上内存才能完整放下（量化后另说），Qwen3.8-27B 在 Q4 量化下只要约 17GB 权重、22.2GB 显存就能跑满 262K 窗口——一张 RTX 3090 就够。
架构路线之争
这两款模型的底层思路恰好是当下两个流派：
DeepSeek V4：稀疏 + 压缩注意力。 V4 延续 DeepSeek 在 V3 系列验证过的 MoE 路线，但把注意力做成了“压缩稀疏注意力（CSA）+ 重度压缩注意力（HCA）”：每层保留最近 128 个 token 的原始滑窗 KV，更早的历史被按 4:1 或 128:1 压缩成 KV 行，4:1 层还带一个索引器从压缩历史里挑选最多 512 行参与注意力。配合 MLA 式潜变量 KV 与 NVFP4 量化，1M 上下文的 KV 开销被压到可接受范围。再叠加 DSpark 推测解码（MTP-5），官方推荐配置是 FP8 权重 + NVFP4 KV。
Qwen3.8-27B：稠密 + 混合线性注意力 + MTP。 Qwen3.8 系列继承了 Qwen3.5 的架构突破：Gated DeltaNet 线性注意力负责长程记忆，每 4 层插入一层全注意力负责精细检索，形成混合架构。27B 是纯稠密模型，没有 MoE，换来的是单卡可部署。它的加速秘密是出厂自带 MTP 多头预测头——社区实测在 llama.cpp 里加一个 flag 就能白拿 33%145% 的解码加速，vLLM/SGLang 配合 MTP 或 DFlash2 推测解码，单流解码可以从 77 tok/s 提到 120150 tok/s。
两条路线的共同点：都在为“长上下文 + 高吞吐”做架构级优化，而不是单纯堆参数。
能力对比
DeepSeek V4 官方没有像 Qwen 那样公开完整基准表，模型卡里给出的定位是：Flash-Max 在更大的思考预算下可以接近 Pro 的推理表现，但纯知识和最复杂的 agentic 任务仍落后于 Pro。1M 原生上下文和 384K 最大输出是它的硬招牌，DeepSeek Harness 也进入了开发者预览，agent 生态在快速补齐。
Qwen3.8-27B 则公布了完整基准，而且对手不只自家前代，还包括闭源旗舰 Opus4.6 Max：
| 基准 | Qwen3.8-27B | Qwen3.6-27B | Opus4.6 Max |
|---|---|---|---|
| Terminal Bench 2.1（终端 agent 编码） | 73.0 | 63.4 | 78.2 |
| SWE-bench Pro（agent 编码） | 61.7 | 53.5 | 53.4 |
| NL2Repo-Bench（仓库级代码生成） | 42.3 | 36.2 | 47.6 |
| DeepSWE 1.1（agent 编码） | 42.2 | 13.3 | — |
| QwenSWEBench（软件工程） | 79.0 | 49.3 | 63.8 |
| CoWorkBench（长程办公任务） | 70.7 | 61.0 | 68.2 |
| GPQA Diamond（科学推理） | 89.2 | 87.8 | 91.3 |
| HLE（多学科推理） | 30.8 | 24.0 | 40.0 |
| LiveCodeBench v6（竞赛编码） | 90.3 | 83.9 | 88.8 |
| OSWorld-Verified（计算机操作） | 84.3 | 63.9 | 72.7 |
| WebArena-Verified（浏览器操作） | 64.8 | 48.8 | — |
| AndroidWorld（手机操作） | 81.9 | 70.3 | 62.0 |
| MathVision（视觉数学） | 90.0 | 85.1 | 65.5 |
| OmniDocBench 1.5（文档理解） | 91.1 | 89.4 | 86.6 |
注意几个点：一是 Qwen3.8-27B 在 SWE-bench Pro、OSWorld、AndroidWorld 等真实 agent 任务上已经反超闭源旗舰；二是它相对自家 Qwen3.6-27B 的进步非常夸张（DeepSWE 从 13.3 到 42.2，OSWorld 从 63.9 到 84.3）；三是它是原生视觉模型，MathVision、CharXiv、OmniDocBench 这些多模态基准是 V4 Flash 纯文本架构根本没法参加的。V4 的优势在超长上下文吞吐和四档思考控制（low/high/max 会改变推理深度），Qwen 的优势在 agent 编码与多模态的全面性。
部署与本地运行
两款模型社区都有大量实测：
DeepSeek V4 Flash 本地部署（antirez 的 DwarfStar/ds4 引擎、llama.cpp 分支、vLLM、SGLang 都支持）：
- 2×DGX Spark（FP8，TP=2）：单流约 41 tok/s，32 并发聚合约 350 tok/s，prefill 约 1785 tok/s；
- RTX PRO 6000（ds4.c）：单流 46.9 tok/s；
- 128GB Mac（IQ2XXS 激进量化）：antirez 评价“有前沿模型的感觉”；
- 8×RTX PRO 6000（ramjet 生产栈）：单流 245 tok/s，全箱聚合 1891 tok/s。
- 关键特性：V4 对路由专家的激进量化容忍度很高，IQ2XXS 级别的量化依然可用。
Qwen3.8-27B 本地部署：
- 单张 RTX 3090（24GB）就能跑：vLLM 批量 64 并发聚合约 1000 tok/s，MTP 推测下单流 114
124 tok/s，DFlash2 下 122132 tok/s； - llama.cpp 开
--spec-type draft-mtp即可白拿 33%~145% 解码加速； - NVFP4 + SGLang + DFlash2（DGX Spark/RTX PRO 6000）：单流 144~153 tok/s；
- ramjet 生产栈实测全箱聚合 4256~7890 tok/s（vLLM FP8 栈，MTP 关闭）。
一句话总结吞吐特征：V4 Flash 单流延迟更优（激活参数少、解码快），Qwen3.8-27B 满批量聚合吞吐更高（稠密模型更容易把 GPU 喂满）。而部署门槛上 Qwen3.8-27B 完胜——24GB 消费级显卡是它的甜点区，V4 Flash 至少需要 128GB 内存或双卡 DGX Spark。
API 成本
DeepSeek V4 的 API 定价（每百万 token，高峰时段，缓存未命中）：
| 模型 | 输入 | 输出 | 缓存命中输入 |
|---|---|---|---|
| deepseek-v4-flash | $0.44 | $1.32 | $0.014 |
| deepseek-v4-pro | $1.32 | $3.96 | $0.044 |
非高峰时段（高峰为 UTC 01:00-04:00 与 06:00-10:00）全部半价。Flash 的并发上限 2500，Pro 为 500。考虑到 Flash 的 1M 上下文和 384K 输出能力，这个价格对长文档处理很有吸引力。
Qwen3.8-27B 权重免费（Apache-2.0），自托管没有 token 费用；官方 Qwen Cloud 托管版即将上线，默认提供 1M 上下文与内置工具。自托管党的成本就是硬件：一张 3090 级别的卡就能跑，这是 V4 完全给不了的选项。
社区实测：正在进行中的正面交锋
这两款模型是当下社区对比热度最高的开源组合：
- Qwen3.8-27B vs DeepSeek V4 Flash 0731 多轮编码 A/B：预注册方法学、真实 GitHub issue、真实仓库修复任务，8 月 20 日开跑，结果实时更新在 scoreboard 上；
- MiaAI Lab 的 Tetris Battle：DeepSeek V4 Flash 0731、Grok 4.6、GLM-5.3、Qwen3.8-Max、Qwen3.8-27B、Kimi K3 六模型同题竞技；
- helixml/ramjet：把两者放进同一个生产路由栈长期压测（V4 Flash 245 tok/s 单流 vs Qwen3.8-27B NVFP4 144~153 tok/s）。
怎么选
- 要本地跑、要视觉、要宽松许可 → Qwen3.8-27B。单卡 24GB 起步，原生图文视频理解，Apache-2.0，agent 编码基准（SWE-bench Pro 61.7、OSWorld 84.3）已经是开源第一梯队。
- 要 1M 超长上下文、要可控推理深度、要极致便宜的 API → DeepSeek V4 Flash。$0.44/$1.32 的价格加上 384K 输出，长文档、代码库级任务性价比极高；本地党有 128GB 内存或 DGX Spark 也能玩。
- 纯知识与最难任务的天花板 → DeepSeek V4 Pro。49B 激活参数 + 1.6T 总参数的体量摆在那里，但本地部署基本不现实（需要超高内存工作站），走 API 更实际。
- 编码 agent 场景：等 loktar00 的 A/B 结果出来再下结论不迟——目前社区预注册的这场对比，正是为了回答“V4 Flash at Max 是否真的全面压过 Qwen3.8-27B”。
2026 年的开源模型格局很有意思：DeepSeek 用 13B 激活参数撑起 1M 上下文，Qwen 用 27B 稠密参数打平闭源旗舰的 agent 能力。两条效率路线都证明了同一件事——参数总量不再是能力的唯一标尺，架构效率与数据质量才是。
参考资料
- Qwen3.8 官方仓库：https://github.com/QwenLM/Qwen3.8
- Qwen3.8-27B 模型卡：https://huggingface.co/Qwen/Qwen3.8-27B
- DeepSeek API 模型与定价：https://api-docs.deepseek.com/quick_start/pricing
- DeepSeek V4 模型卡要点摘录：https://github.com/antirez/ds4/blob/main/MODEL_CARD.md
- DwarfStar（ds4）本地推理引擎：https://github.com/antirez/ds4
- llama.cpp DeepSeek V4 Flash 支持：https://github.com/antirez/llama.cpp-deepseek-v4-flash
- Qwen3.8-27B vs DeepSeek V4 Flash A/B：https://github.com/loktar00/qwen3-8-27b-vs-deepseek-v4-flash
- ramjet 生产栈实测：https://github.com/helixml/ramjet
- Qwen3.8-27B 单卡 3090 部署：https://github.com/syv-ai/qwen38-27b-rtx3090
- Qwen3.8-27B MTP 加速研究：https://github.com/sudoingX/qwen38-mtp