Cline：Qwen3.8-27B 以 52 分追平 GPT-5.6 Luna，称首个达前沿水平的本地模型

开源 coding agent 开发商 Cline 的8 月 17 日发推宣布，阿里开源的 Qwen3.8-27B 在独立评测机构 Artificial Analysis 的 Intelligence Index 上拿到与 DeepSeek V4-Pro、GPT-5.6 Luna 同一档的成绩，称"这是本地模型第一次拿到前沿模型（frontier model）能力评分"（This is the first time a local model has scored frontier model capability），"我们没想到本地模型会这么快到这个水平"（We weren't expecting this pace of local progress anywhere near this soon）。截至核验时，这条推文已有约 8 万次浏览、1,698 个赞和 111 次转发。

Cline 自称"接管你的编辑器、终端和浏览器来自动完成工作的开源编码代理"。它口中的"同档"可以直接在上核对：Qwen3.8 27B 的 Intelligence Index 是 52 分，在同类 135 个模型中排第 1；OpenAI 的同为 52 分；为 53 分，只高 1 分。而"首个达前沿能力的本地模型"这个定性出自 Cline 官方之口，Artificial Analysis 的页面本身没有这样的表述。

52 分是什么水平：追平 Luna，差 V4-Pro 一分

Artificial Analysis 的 Intelligence Index（当前版本 v4.1.1）由 9 项评测合成：GDPval-AA v2、τ³-Banking、Terminal-Bench v2.1、SciCode、Humanity's Last Exam、GPQA Diamond、CritPt、AA-Omniscience 和 AA-LCR，覆盖编码、终端操作、科学推理与知识问答。榜单分档比较：开放权重模型按参数量分档，闭源模型按价格区间分档。

Qwen3.8 27B 的 52 分来自"Small"档（4B–40B 开放权重）内 135 个模型的比较，它是该档第 1 名。作为对照：GPT-5.6 Luna（max）是 OpenAI 7 月发布的闭源模型，1M 上下文，52 分，在其价格档 165 个模型中排第 1；DeepSeek V4 Pro 0813（max）是 8 月发布的 1600B 总参数（49B 激活）模型，53 分，在其档位排第 3。三个模型的 AA 页面都标注为 2026 年 7 至 8 月间发布。

AA 页面上，Qwen3.8 27B 的速度数据是 N/A，输入与输出价格均为 $0.00（自托管开放权重模型，AA 未列出 API 定价）。

27B 稠密模型，凭什么跑出这个分

按阿里在，Qwen3.8-27B 是 27B 参数的稠密模型，原生支持图像与视频理解，上下文 262,144 token、可扩展到 1M，thinking 模式默认开启，可用 reasoning_effort（xhigh/medium/low）调节推理深度。架构采用 Gated DeltaNet 混合线性注意力加多头预测（MTP），Apache 2.0 协议开放权重。

阿里公布的自家基准显示，它比上一代 Qwen3.6-27B 有明显跃升：Terminal Bench 2.1 从 63.4 涨到 73.0（闭源对照 Opus4.6 Max 为 78.2），SWE-bench Pro 61.7 对 53.5，DeepSWE 1.1 从 13.3 跳到 42.2，LiveCodeBench v6 90.3 对 83.9（反超 Opus4.6 Max 的 88.8），GPQA Diamond 89.2，HLE 30.8 对 24.0。这些数字出自阿里自己的模型卡；AA 的 52 分才是第三方独立跑出来的结果。模型卡还预告 Qwen Cloud 将提供托管版（默认 1M 上下文），"服务即将上线"。

先泼冷水：任务构成、双倍 token 与"刷榜"怀疑

质疑集中在三个点上：任务构成、token 消耗和刷榜嫌疑。BoldMetrics 联创、正在搭建 VulcanBench 评测的在回复里追问：这种指数里的 coding 任务是不是只占约 8%？"我会用 100% 的 coding 任务重新测一遍。这种模型我只会拿来写代码，不会用于其他事。"

token 消耗是另一处焦点。自称"主要做软件开发"的贴出对比图称，Qwen3.8 每个任务消耗的 token 约为 Luna 的两倍，"它很好，但别掉进 Qwen3.6 同一个坑"。AA 页面上的数据部分支持"冗长"这个判断：Qwen3.8 27B 在指数评测中共输出 160M token（同类中位数为 43M），而 GPT-5.6 Luna（max）为 130M。

还有人直接怀疑刷榜。认为"27B 这么小，数学上不可能到这个水平，恐怕是在这些基准上训练过"；更干脆："这肯定是被 benchmark 特训出来的"（ts gotta be benchmaxxed）；则指出"指数分数掩盖了工具调用（tool calling）的差距"。以上质疑均出自社区个人账号，本文核验范围内没有能证实或证伪它们的第三方材料。

一台 5090 就能跑：接入方式与显存门槛

Cline 在里给出了接入方式：npm i -g cline 后用 ollama launch cline --model qwen3.8 启动，或在 Cline 里直接用模型 ID qwen/qwen3.8-27b。也就是说，Cline 给了这个"前沿水平"模型一个可以直接在自家产品里调用的模型 ID；回复还指向其。

硬件门槛还在。呼吁有人测一下各量化档："30GB 以上在个人硬件上很难跑，4bit 量化约 20GB 应该可行"；说它在 24GB 显存上跑得很好。负面样本也有：试了 MLX 版，结果"第一件事就是让 Ollama 失控，锁死了我的远程机器……是个有趣的模型，但还没到生产可用"。

从"还要 2-3 年"到"不用数据中心了"

"我们原以为前沿模型和本地模型的差距收窄要等 2-3 年，没想到现在就发生了。"这条回复点出了预期的时间差。概括道："27B 参数、5090 本地跑、前沿模型性能、2026 年 8 月。" 说"你需要数据中心"这个说法弱多了；说这是"用电费换前沿能力"。中文用户写道："一个 27B 的 qwen 3.8，竟然和 dsv4pro, glm 5.2, gpt5.6 luna 平起平坐。"关注电动车与芯片的博主把场景延伸到车端，称联发科已宣布 C-X1 座舱平台 Day-9 支持 Qwen3.8-27B，"车端也有了前沿模型能力"（该说法出自他个人，本文未独立核实）。

这场讨论停在一个具体问题上：52 分是在指数混合任务上跑出来的，Morgan 因此放话，要用 100% 的 coding 任务重新评测。在那之前，"本地模型达到前沿水平"仍只是 Cline 官方给出的判断，外加 Artificial Analysis 页面上那个 52 分。