> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# Qwen 3.8 27B：3090比4090快
- URL: https://www.hubwiz.com/blog/qwen-3-8-27b-runs-faster-on-3090-than-4090/
- Published: 2026-09-01T14:37:34.000Z
- Updated: 2026-10-13T16:17:02.000Z
- Description: 阿里巴巴的27B模型在4位量化下可以装入24GB显卡。推理努力程度、上下文窗口和推理运行时决定了你得到的结果，而不是显卡。
- Author: admin
- Tags: MODEL-ZOO, QWEN3.8, #Import 2026-10-14 14:41

一位英国程序员让**Qwen 3.8 27B**绘制一只骑自行车的鸟的SVG图。在128GB M5 Max MacBook Pro上运行LM Studio和17GB的`Q4_K_M`量化版本，它花了22,000个token思考，然后生成了3,223个token的答案，当被要求绘制一个普通圆圈时，它推理了几分钟。他写道这是一个有趣的默认设置，**"绝对不是运行模型的好方法，尤其是在消费级硬件上"**。

没有什么损坏。Qwen 3.8将`reasoning_effort`设置为其**最深**级别，因此每个请求都会获得最大 deliberation，直到你另行告知，包括"重命名此变量"。

速度数字遵循完全相同的模式。在当前的llama.cpp构建上，4位GGUF在4090上以每秒49个token的速度解码。在较旧的RTX 3090上，使用W4A16权重和推测解码的修补vLLM堆栈每秒可推送约114个token。**相同内存，更差的GPU，吞吐量超过两倍。**

文件是常量，配置是变量，两个运行相同17GB构建的人之间的差距不是显卡。

## 1、8月14日发布的内容

Qwen于2026年8月14日在Hugging Face上发布了**27.78B** dense模型，采用Apache 2.0许可证。它接受文本、图像和视频输入以生成文本输出，支持262,144个token的原生上下文窗口。你可以通过YaRN将该上下文扩展到1M，这是一种缩放技巧，可以将窗口扩展到模型训练时所用的范围之外，尽管静态YaRN可能会损害较短的提示。发布时的官方格式包括**55.58GB BF16** safetensors构建和**30.88GB的分块FP8构建**。虽然第一天没有官方GGUF，但来自ggml-org、lmstudio-community和unsloth的第三方构建现已广泛可用。

阿里巴巴在两天前发布了2.4T Qwen3.8-Max的开放权重，这是一个具有95B活跃参数的混合专家（MoE）模型，采用其自己的许可证开放权重，但27B仍然是3.8系列中唯一的27B dense开放模型。

**64个解码器层中有48个是Gated DeltaNet**，只有16个执行完全注意力。Gated DeltaNet是一种线性注意力层类型，它保持固定大小的运行状态，而不是随每个token增长的缓存。标准注意力机制呈二次方扩展，因为模型必须将每个新token与序列中的每个先前token进行比较，这在长上下文时消耗更多内存。线性注意力通过将历史压缩为递归状态来避免这种情况。这种48比16的分割是27B模型能够在消费级内存上保持262K上下文的原因，为适应本地显卡所需的KV计算奠定了基础。这种形状的传统64层dense模型将承担大得多的缓存负担。

由于它是dense模型而不是MoE，每个参数都会在每个token上触发，没有专家路由，这意味着你的硬件必须为每个生成步骤加载和计算整个权重矩阵。

![None](https://www.hubwiz.com/blog/content/images/2026/09/1-i5dWdZcDQWO3KLGD32UaEw-1.png)

## 2、花费数分钟的设置

该模型附带三个文档化的推理级别：`low`、`medium`和`xhigh`，思考可以完全关闭，默认为`xhigh`。官方仓库在发布后立即充满了用户报告，标题如"这个模型无法停止思考"和"一个疯狂的思考模型"。

你通过传递标志来更改此行为，一份报告指出，将推理努力程度降低到`medium`可以将等待时间减少约三分之一，而没有可测量的质量下降，为开发者节省了数分钟的挂钟时间。在llama.cpp中，你在`llama-server`运行命令中附加`--chat-template-kwargs '{"reasoning_effort":"medium"}'`。API路径需要在`chat_template_kwargs`中设置`enable_thinking`为false，同时设置`reasoning_effort="low"`。Ollama默认开启思考，但提供"无思考"设置。

给定固定的768个token思考预算，它在190个token中位数下完成了120个推理运行中的117个，而Qwen3.6只完成了28个并且一直达到768上限，所以deliberation不是模型慢，而是被告知要彻底。

![None](https://www.hubwiz.com/blog/content/images/2026/09/1-Ywjj4BF3BBDy3_KSkp1X2A-1.png)

## 3、内存开销

要在消费级显卡上装入模型，你必须计算KV缓存，即对话的运行内存，它随每个token增长。该模型有16个完全注意力层，每个层有4个KV头和256维头，需要两个张量用于键和值，每个张量两个字节。**这计算出每个token 64KB**。你可以通过使用FP8或Q8缓存立即将64KB的负担减半，用少量精度换取双倍的上下文长度。

在标准16位精度下，缓存在8K上下文时占用0.5 GiB，32K时占用2 GiB，128K时占用8 GiB，完整262K时占用16 GiB。你将其添加到视觉投影仪，即将图像转换为模型可读token的部分，成本约为0.93 GiB。量化将权重缩减为更少的位数，4位变体范围从15.932 GiB到19 GiB，具体取决于你使用的是哪个构建。

![None](https://www.hubwiz.com/blog/content/images/2026/09/1-8RN2g83S_LBRrLtndOEXlA-1.png)

在纯文本评估运行中，4090上的峰值VRAM在64K时运行21 GB。该占用空间在24 GB显卡上留下3 GB的余量。

如果你在不固定上下文的情况下将相同文件加载到llama.cpp中，其默认设置会保留超过65,000个token的窗口，进程占用超过31GB。根据非正式测试，Ollama的默认保留超过35GB。相同文件在不同配置上，21GB调优对比31GB默认设置，这就是10GB的去向。

## 4、你已经安装的运行时

你运行的软件决定了你获得的速度，从Ollama和LM Studio提供最简单的路径开始，但开箱即带未优化的内存保留。升级一步是llama.cpp，它需要当前构建，但提供内存控制以在预填充时达到每秒3,001个token（读取你的提示），在解码时达到每秒49.09个token（写入答案）。

修补的vLLM 0.27.1堆栈将上限更改为在较旧的RTX 3090上单个用户约每秒114个token，并在64个并发流时扩展到约每秒1,035个token（[github.com/syv-ai/qwen38–27b-rtx3090](https://github.com/syv-ai/qwen38-27b-rtx3090?ref=hubwiz.com)）。成本是工程时间和维护责任。它需要9个优化，作为13个vLLM补丁发布，W4A16权重，以及轻微的质量下降。

W4A16意味着权重被量化为4位整数以节省内存带宽，但激活保持在16位浮点数以保持计算精度。这种混合方法让GPU从VRAM流式传输模型参数非常快，同时仍然准确执行繁重的矩阵乘法数学。如果你运行一个小工程团队，每秒1,035个token意味着一个24GB显卡可以服务整个团队，让你用配置时间换取硬件预算。

Qwen 3.8携带一个MTP头，一个多token预测层，它猜测接下来的几个token，以便大模型可以在一次通过中验证多个。根据contextstudios.ai指南，这种推测解码在5090上报告了81%的增益，在DGX Spark上72%，在AMD Strix Halo上183%。

当前llama.cpp构建上的4090比相同构建上的3090更快，得分为46对比40基线。调优vLLM堆栈上的3090击败了两者。显卡设置上限，堆栈决定你有多接近。

![None](https://www.hubwiz.com/blog/content/images/2026/09/1-qgVcm-s9MbjLCWJWlP-gfg-1-2.png)

## 5、是否比你正在运行的更好

一张卡，一个量化，一个llama.cpp构建，这是此比较有意义的唯一方式。一位仔细的测试者在相同的RTX 4090上运行Qwen3.8–27B、Qwen3.6–27B和Gemma 4 31B，使用相同的Q4\_K\_M量化和相同的种子集。

![None](https://www.hubwiz.com/blog/content/images/2026/09/1-9eSOtEBHfXKF-B9Q_iynPA-1.png)

数字揭示了升级的实际成本。Qwen 3.8和Qwen 3.6具有相同的内存曲线，在64K上下文时达到20,266 MiB的峰值，并且它们以完全相同的速度解码。因为硬件占用空间不变，从12个编码任务中的8个跳到完美的12/12 pass@1完全免费。在日常驾驶中，12/12的通过率意味着你可以信任模型进行零次重构而无需监督输出，将玩具助手转变为可靠工具。

Gemma 4保留特定优势，在视觉任务上19比18，多步工具调用30比28，而Qwen3.6在机械约束方面更好，11比12对比新模型的8。Gemma在此级别中的主要弱点是内存消耗，在64K上下文的F16 K/V上遇到CUDA内存不足错误，需要量化缓存才能通过，而Qwen3.8完成测试时剩余4.20 GiB。

Artificial Analysis排行榜在`xhigh`推理努力程度上对该模型评分为52，**比Qwen3.6-27B高出14分**。

![None](https://www.hubwiz.com/blog/content/images/2026/09/1-PJeuuQkP1AMgTSJZrBfMjg-1.png)

## 6、运行什么，根据你拥有的

![None](https://www.hubwiz.com/blog/content/images/2026/09/1-Lv9-Cdiuda_xV_9iE-lrGA-1.png)

你首先更改推理努力程度，因为它不花费任何东西，其次更改上下文窗口，因为它回收浪费的内存，最后更改运行时，因为它需要实际工程。一个启动Ollama并接受`xhigh`思考默认值和35GB上下文保留的开发者会立即宣布模型臃肿和缓慢，而一个传递单个JSON标志并将上下文固定到64K的开发者将获得一个响应迅速的助手，编写完美的代码。硬件是相同的，堆栈的知识将他们分开。

## 7、结束语

每个开发者下载的文件都是相同的，他们在24GB级硬件上从中提取的性能从每秒49个token到114个token不等。使用Qwen3.8–27B的第一个小时值得花在设置上，而不是购买5090，因为正如硬件指南所指出的，**"硬件很少是瓶颈，推理堆栈才是"**。此系列中较小的官方模型尚未发布，当9B出现时，相同的三个杠杆将决定它是否可在16GB笔记本电脑上使用。

---

原文链接: [Qwen 3.8 27B Runs Faster on a 3090 Than a 4090\. The GPU Isn’t Why.](http://freedium-mirror.cfd/https://medium.com/data-science-collective/qwen-3-8-27b-runs-faster-on-a-3090-than-a-4090-the-gpu-isnt-why-a01034210337?source=home%5Ffor%5Fyou---------0-109--------------------b916be8e%5Ff3f4%5F45ba%5Fbd8c%5F7ad38064dfa2-------15-------)

汇智网翻译整理，转载请标明出处

> **这是「本地 & 自托管 LLM」专题的一部分。**完整地图见：[本地 & 自托管 LLM 完全指南](https://www.hubwiz.com/blog/local-llm-stack/)