将Qwen 3.8 27B作为RTX 5090及以后的基准——单凭VRAM能力无法克服严重的软件和推论引擎瓶颈。

本期编译精选。

技术工业

人工智能

成员发言

特征

以

杰弗里·坎普曼（英语：

2026年9月8日 （中文（简体） ).

我们测试了大量强大的硬件。

当你通过我们网站的链接购买，我们可能会得到一个附属委员会。情况如下：

（图像信用：汤姆的硬件）

复制链接

脸书

什么应用

编辑

兴趣

翻转板

电子邮件

分享此文章

加入对话

在 Google 上将我们添加为首选来源

订阅我们的通讯

阿里巴巴的Qwen 3.8 27B开放量的AI模型在几周前出道，它立即在当地AI爱好者中掀起一股热闹浪潮，这得益于它对于其规模和能力模型的令人印象深刻的智能基准结果。

Quen 3.8 27B在一般能力的基础上，在17GB左右为四位分数加权并提供了内置多式能力，Quen 3.8 27B立即抓住了所有拥有RTX 5090、RTX 4090或RTX 3090（以及一台Radeon RX 7900 XTX、Radeon AI Pro R9700或Arc Pro B70)的人的注意力。

我们是否处于边境级情报的边缘 从四位数 在一个图形卡上？每一个有足够能力的地方AI设置的人 可以去取消Claude或ChatGPT的订阅吗？

来自汤姆硬件的最新视频

在这里观看完整视频 :

当然，答案，就像每个开放重量的AI模型的hype循环一样，要比仅仅观察模型重量的大小，与你可用的 VRAM 池比较，更加复杂。您用来托管模型的卡片或系统 是否有足够的 VRAM 留了足够的时间为模型的上下文提供有用的空间 当一切运行时？您的主机系统和 LLM 推论引擎是否提供可接受的时间到第一键，以及高吞吐量，不只是从空上下文窗口进行板凳比对 ?

（原文共 50 张图片，此处展示前 3 张，更多图片请前往原文查看）

（编译自 Toms Hardware；原文