LLM

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。 ...