AIツール2026年11月更新

Qwen3.8-27Bとは?必要VRAM・ライセンス・使い方

公開日: 2026/08/17
更新日: 2026/11/11
Qwen3.8-27Bとは?必要VRAM・ライセンス・使い方

この記事のポイント

Qwen3.8-27Bは、Alibabaが2026年8月にApache 2.0で公開した27Bのマルチモーダル・オープンウェイトLLMです。条件別の必要VRAMと速度、Qwen3.8シリーズのライセンスの違い、Ollama・vLLMでの使い方、OpenRouterなどのAPI料金(2026年11月11日時点)、偽リポジトリを含むセキュリティ上の注意、後継のQwen4-27Bの状況を整理しました。

Qwen3.8-27B は、Alibaba の Qwen(通義)チームが2026年8月14日に Apache 2.0 ライセンスで公開した、270億パラメータのマルチモーダル・オープンウェイトLLMです。 画像と動画も入力でき、ネイティブで262,144トークン(262K)の文脈を扱えます。4bit量子化すれば VRAM 24GB のGPU 1枚で動きます。

ローカルで動かしたい人が最初に知りたいのは「自分のGPUで動くのか」でしょう。4bit版のウェイトは約17GBですが、必要なVRAMは文脈の長さ、KVキャッシュの精度、MTP(マルチトークン予測)を使うかどうかで大きく変わります。 たとえば RTX 4090(24GB)では、KVキャッシュが既定の f16 のままだと64Kあたりが上限です。KVキャッシュを q4_0 に量子化すれば、262Kでも約22GiBに収まったという実測があります。

2026年11月11日時点で確かめられた公式情報と第三者の実測値をもとに、条件ごとの必要VRAMと速度、シリーズの中でのライセンスの違い(Apache 2.0 なのは 27B だけ)、Ollama や vLLM での動かし方、APIの料金、ローカルでも残るセキュリティリスク、後継の Qwen4-27B を待つべきかまでをまとめました。

社内データを外に出さずにLLMを動かしたい企業の技術担当者、自前のGPUでコーディングエージェントを回したい開発者、ローカルLLM用マシンの購入を考えている個人に向けた記事です。

Qwen3.8-27Bはどんなモデルか|性能・ライセンス・速度の要点

Alibaba CloudのQwen(通義千問)公式ページのイメージ

出典: Alibaba Cloud「Tongyi Qianwen (Qwen)」公式ページ

  1. 「27Bクラスで最強級」だが「フロンティアモデルの置き換え」ではない。 Qwen の公式発表値では、Terminal-Bench 2.1 が 73.0、PC操作の OSWorld-Verified が 84.3 で、前世代の Qwen3.6-27B(63.4 / 63.9)を大きく上回ります。公式表の比較相手である Claude Opus 4.6 Max に対しては、SWE-bench Pro(61.7 対 53.4)と OSWorld-Verified(84.3 対 72.7)で上回る一方、Terminal-Bench 2.1(73.0 対 78.2)、HLE(30.8 対 40.0)、GPQA Diamond(89.2 対 91.3)では届いていません。
  2. 第三者の集計でも上位。 Artificial Analysis の Intelligence Index(v5.0.1)は 20 で、同じクラスの中央値(8)の2倍以上です。ただし出力が長く、評価時の出力は約1.28億トークン(中央値7,770万)、1タスクにかかった時間は平均39.8分(中央値13.5分)でした。
  3. Apache 2.0 で商用利用できるのは「27B」だけ。 同じ時期に公開された Qwen3.8-2.4T-A95B は独自の「Qwen3.8-Max License」で、事業規模によっては別ライセンスが要ります。混同すると法務判断を誤ります。
  4. API なら安く使える。 2026年11月11日時点の OpenRouter では23社が提供しています。モデルページの既定表示は100万トークンあたり入力 $0.15 /出力 $1.875 で、入力の最安は $0.035(Darkbloom、fp4)、出力の最安は $1.05(StreamLake)です。Cerebras では1,500 tok/s 前後で動きます。
  5. 後継の Qwen4-27B は予告だけ。 2026年10月29日の Alibaba のイベント(Apsara、アムステルダム)で Qwen4-27B が「coming soon」と示されたと報じられ、11月11日には上位版の Qwen4-Max のプレビューが期間限定で始まりました。ただし Qwen4-27B の重み・ライセンス・公開日・ベンチマークは発表されていません。いま27Bクラスのモデルを手元で動かすなら Qwen3.8-27B が現実的な選択肢で、乗り換えは Qwen4-27B の重みとライセンスが出てから判断すれば足ります。

判断の目安は単純です。機密データを外に出せない、またはトークン課金を気にせず長時間エージェントを回したいならローカル実行に意味があります。コストを下げたいだけなら、API経由のほうが安く済む場合がほとんどです。

Qwen3.8-27Bは自分のGPUで動くのか|必要VRAM早見表(実測)

Qwen3.8-27Bのローカル実行に必要なGPUとVRAMのイメージ

常用の目安は VRAM 24GBです。ただし「24GBなら64Kまで」と決めつける必要はありません。KVキャッシュを量子化すれば、24GBでも131K〜262Kに届きます。

ウェイトのサイズ=必要VRAM ではない

実際に必要なメモリは次の合計です。

必要VRAM = ウェイト + KVキャッシュ + アクティベーションなどのオーバーヘッド

KVキャッシュは文脈の長さと同時実行数にほぼ比例して増えます。Hardware Corner の実測(2026年8月17日更新、llama.cpp、Q4_K_S=16.68GiB、MTP無効、KVキャッシュの設定は非公開)では、同じ4bitモデルでも次のように変わりました。

使用するコンテキスト長

実測のVRAM使用量

4K

18 GB

16K

19 GB

32K

20 GB

64K

22 GB

128K

26 GB

256K

34 GB

このレポートは KVキャッシュの設定を公開していません。KVキャッシュを量子化すれば、長い文脈でもこの表より少ないVRAMで済みます。

KVキャッシュとMTPの設定で変わる速度とVRAM(RTX 4090 24GB)

ComputingForGeeks が2026年9月27日に公開した RTX 4090 での実測(Ollama 0.34.4 / llama.cpp b11200)では、2つの設定で結果が大きく変わりました。

  • MTP(マルチトークン予測):1回に複数のトークンを予測して確かめる仕組みです。Ollama の qwen3.8:27b では既定で有効になっていて、生成速度がほぼ2倍になります
  • KVキャッシュの量子化(q4_0):KVキャッシュを既定の f16 から q4_0 に落とすと、長い文脈でもVRAMに収まります

推論エンジン・設定

コンテキスト

生成速度

VRAM

Ollama(Q4_K_M・MTP有効)

8K

95.5 tok/s

—

Ollama(Q4_K_M・MTP無効)

8K

47.7 tok/s

—

Ollama(MTP有効)

32K / 64K

103.7 / 96.4 tok/s

—

Ollama(KV f16)

131K

16.4 tok/s(CPUへあふれる)

—

Ollama(KV q4_0)

131K

101.8 tok/s

20.9 GiB

Ollama(KV q4_0)

262K

21.1 tok/s(約20%がCPUへ)

22.1 GiB

llama.cpp(UD-Q4_K_XL・MTP有効)

8K

109.4 tok/s

—

llama.cpp(KV q4_0・MTP無効)

262K

46.5 tok/s

22.2 GiB

llama.cpp では、24GBのカードで MTP と64K以上の文脈を同時に使えなかったと報告されています(「failed to create MTP context」)。24GBでは「MTPで速く(8Kまでなら約110 tok/s)」か「262Kを丸ごと(約47 tok/s)」のどちらかを選ぶことになります。

Ollama で長い文脈を使うときの設定例です。

export OLLAMA_KV_CACHE_TYPE=q4_0
export OLLAMA_FLASH_ATTENTION=1
ollama run qwen3.8:27b --think=false

KVキャッシュを強く量子化すると、長い文脈での精度に影響が出る可能性があります。業務で使う前に、自分のデータで確かめてください。

GPU別のトークン生成速度(MTP無効の実測)

Hardware Corner の実測値です(llama.cpp、MTP無効、Q4_K_S)。MTPを有効にした場合の値は含みません。

GPU(VRAM)

4K

32K

64K

128K

256K

RTX 3090(24GB)

40.31 tok/s

37.02

33.95

入らない

—

RTX 4090(24GB)

46.16 tok/s

42.17

38.41

—

—

RTX 5090(32GB)

74.83 tok/s

28.96

26.22

22.79

—

RTX 5060 Ti ×2(16GB×2)

22.47 tok/s

20.43

18.50

15.55

—

Apple M5 Max(統合128GB)

31.4 tok/s

21.6

18.2

未計測

—

NVIDIA GB10(DGX Spark系)

12.20 tok/s

10.88

9.72

8.03

5.94

同じレポートは、24GBでは64Kが実用上の上限、費用対効果では RTX 3090 がよいとしています。RTX 5090 は128Kまで入りますが、文脈が長くなると大きく遅くなります。前世代の Qwen3.6-27B は RTX 5090 の64Kで 63.66 tok/s だったので、長い文脈では Qwen3.8 のほうがかなり遅い点も覚えておいてください。

Mac では、Simon Willison が M5 Max 128GB と DGX Spark の LM Studio(4bit、約17GB)で15〜30 tok/s だったと報告し、「日常的に使うには遅い」と書いています。llama-server で MTP を有効にすると約72%速くなったそうです。

量子化別のサイズと必要メモリ

Unsloth が公開している目安です(RAM+VRAMの合計。Mac は統合メモリ)。MTPを使う場合はさらに1〜2GBの余裕が要ります。

量子化

必要メモリの目安

補足

BF16(公式)

56 GB

H100 / H200、RTX PRO 6000 クラス

FP8(公式 Qwen3.8-27B-FP8)

約28〜31 GB

48GB以上あると長い文脈も扱える

8-bit

31 GB

32GB以上

6-bit

23〜26 GB

24〜32GB

4-bit

16〜19 GB

常用の現実的な下限。RTX 5080 / 4090 や24GBのMacで動く

3-bit

12〜14 GB

16GBのGPUで試せる

2-bit

9〜11 GB

品質の低下が大きい

1-bit

7〜8 GB

試用向け。エージェント用途には向かない

Unsloth は2026年8月19日に GGUF を Dynamic V3.0 に更新し、「同じサイズで精度が約10%上がった」としています。これは Unsloth 自身の測定で、第三者の検証は確認できていません。2026年11月11日時点で、それ以降の GGUF の更新履歴はありません。

RTX 50 シリーズや DGX Spark など Blackwell 世代のGPUなら、NVFP4 版も選べます。Unsloth によれば BF16 の約1.5倍の速度が出て(B200・バッチ1で 133.7 対 89.8 tok/s)、BF16 と比べた精度の回復率は92〜97%です。ComputingForGeeks の RTX PRO 6000 での測定では、vLLM+NVFP4+MTP で1ユーザーあたり 114.3 tok/s でした。

環境別の判断ライン

環境

判定

VRAM 8〜12GB

1〜2bitなら起動する。品質の低下が大きく試用レベル。エージェント用途には使えない

VRAM 16GB(RTX 5070 Ti など)

4bitは載り切らずCPUへのオフロードが必要。3bitなら収まる

VRAM 24GB(RTX 3090 / 4090)

4bitで常用できる。MTP有効なら短い文脈で約95〜110 tok/s。KV q4_0 で131K〜262Kまで伸ばせる

VRAM 32GB(RTX 5090)

KV f16 のままでも128Kまで入る。Blackwell なので NVFP4 も選べる

48GB(L40S / RTX PRO 6000 など)

公式FP8が現実的

80GB以上(H100 / H200)

公式BF16で262Kまで余裕をもって扱える

Apple Silicon(24GB以上の統合メモリ)

qwen3.8:27b-mlx がある。OSとメモリを共有するので余裕を見る

DGX Spark / GB10

動くが遅い(4Kで12.2 tok/s)

VRAM 16GB での実測(Qiita / RTX 5070 Ti + WSL2 + Ollama)では、Q4_K_M(約19GB)が載り切らず、GPU約70%・CPU約30%の配分になって応答の遅れがはっきり出たと報告されています。RTX 3080 クラスの16GBでも、3bit級の量子化(UD-IQ3_XXS)とKVキャッシュの量子化を組み合わせて動かす手順が公開されています(The Autodidacts)。ただし品質と文脈の長さは削ることになるので、16GBでも動くが、常用するなら24GB以上が現実的な目安です。

Ollama の導入手順や基本的な使い方は、Ollamaとはの解説で確認できます。

Qwen3.8シリーズのモデル一覧:「Qwen3.8=Apache 2.0」は誤り

QwenシリーズのGitHub公式リポジトリ。ライセンス条文はモデルごとに確認する

出典: GitHub「QwenLM/Qwen3」公式リポジトリ

「qwen3.8」とだけ検索した人が最初に迷うのがここです。2026年8月以降、「Qwen3.8」の名前で複数のモデルが出ていますが、ライセンスも入力の種類もモデルごとに違います。9月には API 専用の Omni-Flash と、Max の高速版 Max-Prime も加わりました。2026年11月11日時点で、オープンウェイトかつ Apache 2.0 なのは引き続き 27B だけです。

モデル

種類

重み

ライセンス

入力

OpenRouter 価格($/100万トークン)

Qwen3.8-27B

Dense 27B

公開

Apache 2.0

テキスト・画像・動画

既定 0.15 / 1.875(提供元により入力 0.035〜・出力 1.05〜)

Qwen3.8-2.4T-A95B

MoE(2.4T、アクティブ95B)

公開

独自の Qwen3.8-Max License

テキストのみ

2.00 / 6.00

Qwen3.8-Max(-0902)

2.4Tベースのホスト型API

非公開

API利用規約

画像あり

2.00 / 6.00

Qwen3.8-Max-Prime

Max の高速・高価格版

非公開

API利用規約

—

4.00 / 12.00

Qwen3.8-Flash-Next / Flash

MoE(125B、アクティブ6B)、Qwen4 の先行版

公開

条件は個別に確認

マルチモーダル

0.15 / 0.47(flash)

Qwen3.8-Omni-Flash(9月18日発表)

音声も扱えるオムニモーダル

非公開

API利用規約

テキスト・画像・音声・動画

0.15 / 0.47

(予定)Qwen4-27B

未発表

未発表

未発表

未発表

—

2.4T-A95B のライセンス条件

2.4T-A95B の LICENSE ファイル(Hugging Face)を確認すると、主な条件は次のとおりです。

  • 表示義務:月間アクティブユーザー1億人超、または月間売上2,000万ドル超の製品・サービスで使う場合、UIにモデル名をはっきり表示する
  • 別ライセンスが要る場合:本人と関連会社が、MaaS(第三者に推論やファインチューニングを提供する事業)か AI Work Assistant(AIでのコーディングやオフィス業務を主な目的とする独立した製品)の事業を営み、連続12か月の売上が5,000万ドルを超える場合は、商用利用の前に Qwen から別ライセンスを取得する
  • 社内利用の例外:ソフトウェアや出力、モデルの能力を第三者に提供しない社内利用には、この別ライセンスの条件はかからない

27B にはこうした条件がありません。Apache 2.0 なので、著作権表示とライセンス文を同梱し、変更点を明示すれば、商用利用・改変・再配布ができます。

法務の確認に回すなら、「Qwen3.8」ではなくモデル名まで特定してください。上位モデルはQwen3.8-Maxの解説記事、次世代アーキテクチャの先行版はQwen3.8-Flash-Nextの解説で扱っています。系譜をたどるならQwen 3.7 MaxやQwen3.6-Plusも参考になります。

後継の Qwen4 はどこまで出ているか(2026年11月11日時点)

項目

状況

Qwen4-27B

10月29日の Apsara(アムステルダム)のスライドで「coming soon」と示されたと第三者が報告。公式の文書では確認できず、重み・ライセンス・公開日・ベンチマークは未発表

Qwen4-Max

11月11日にプレビュー版(qwen4-max-preview)を公開。Qwen Cloud の Token Plan(定額制)などで使える期間限定の提供で、Model Studio の文書では11月25日(UTC+8)までとされている。重みは公開されていない

Qwen3.8-27B の新しい版

出ていない(公式 GitHub の更新履歴は8月14日の公開が最新)

Qwen4-27B が Qwen3.8-27B と同じように Apache 2.0 で重みを公開するかどうかは、まだわかりません。手元で動かせて商用利用の条件がはっきりしている27Bクラスのモデルは、現時点では Qwen3.8-27B です。

Qwen3.8-27Bの基本スペックとアーキテクチャ

Qwen(通義)チームのHugging Face公式ページ

出典: Hugging Face「Qwen」公式ページ

Qwen3.8-27B は、テキストに加えて画像と動画を読み取れる Dense(MoEではない)モデルです。Alibaba Cloud は「Qwen3.6-27B を土台に、テキストと画像の両方でコーディングとオフィス業務の性能を高めた視覚言語モデル」と説明しています。Hugging Face と ModelScope から重みをダウンロードして自分のサーバーで動かせます。

項目

内容

正式名称

Qwen3.8-27B(表記ゆれ: Qwen 3.8 27B / qwen3.8-27b)

開発元

Alibaba / Qwen(通義)チーム

種類

マルチモーダル(画像・動画を読める)Denseモデル

パラメータ数

27B(Hugging Face のメタデータは28B)

ライセンス

Apache 2.0(商用利用・改変・再配布ができる)

公開日

2026年8月14日(Hugging Face と ModelScope)

コンテキスト長

ネイティブ262,144トークン。YaRN で最大100万トークンまで拡張できる

入出力

入力=テキスト・画像・動画、出力=テキストのみ(音声は非対応)

公式の配布形式

BF16 と FP8(Qwen/Qwen3.8-27B-FP8)

前世代

Qwen3.6-27B(2026年4月22日公開)

ダウンロード数

Ollama 約630万(全タグ合計)、Hugging Face 直近1か月 約744万(いずれも2026年11月11日時点)

なぜ27Bで長い文脈を扱えるのか

公式モデルカードによれば、層の構成は次のようなハイブリッド型です。

16 × ( 3 × (Gated DeltaNet → FFN) → 1 × (Gated Attention → FFN) )
  • 線形アテンションの Gated DeltaNet 3層に、フルアテンションの Gated Attention 1層を組み合わせている
  • 64層、隠れ次元 5,120、FFN中間次元 17,408、語彙 248,320
  • Gated Attention は Qヘッド24・KVヘッド4(ヘッド次元256)
  • 学習に MTP(マルチトークン予測)を使っている

線形アテンションを主にすることで、文脈の長さに比例して膨らむKVキャッシュを抑えています。27Bで262Kを現実的に扱えるのはこの構成のおかげで、MTPで生成を速められるのも学習時にMTPを組み込んでいるからです。

その分、推論エンジンがこのハイブリッド構成に対応していないと正しく動きません。vLLM や SGLang、Ollama を古いバージョンのまま使うと読み込めないことがあるので、最新版を使ってください。

Qwen3.8-27Bの使い方:4つの実行ルート

社内APIとして立てるときに使う推論エンジンvLLMの公式リポジトリ

出典: GitHub「vllm-project/vllm」公式リポジトリ

個人のPCで試すなら Ollama か LM Studio、社内のAPIサーバーにするなら vLLM か SGLang が基本です。

ルート

難しさ

向いている場面

補足

Ollama / LM Studio(GGUF)

低

まず個人のPCで試す

第三者による量子化版。手軽さを優先

llama.cpp(GGUF)

中

細かい設定を詰める

KVキャッシュの量子化やMTPを自分で調整

vLLM

中〜高

社内サーバーでAPIを提供する

OpenAI互換のエンドポイント

SGLang

中〜高

同時アクセスが多い運用

ハイブリッド構成向けの設定がある

ほかに、公式モデルカードでは Transformers(transformers serve)、Docker Model Runner(docker model run hf.co/Qwen/Qwen3.8-27B)、TokenSpeed での実行方法も紹介されています。

1. Ollama 公式ライブラリで手早く試す

いちばん手軽な方法です。Ollama の公式ライブラリに qwen3.8 があり(サイズ18GB、コンテキスト256K、テキストと画像の入力、vision / tools / thinking に対応)、次の1行で動きます。タグを付けなくても 27B が入ります。

ollama run qwen3.8

Apple Silicon 向けには qwen3.8:27b-mlx タグもあります。VRAMが足りない場合は、Unsloth の GGUF をタグで指定して量子化レベルを下げます。

# より軽い量子化版を指定して読み込む例
ollama run hf.co/unsloth/Qwen3.8-27B-GGUF:UD-Q2_K_XL

llama.cpp で動かす場合は、Unsloth の GGUF をダウンロードして公式の推奨値で起動します。

hf download unsloth/Qwen3.8-27B-GGUF --include "*UD-Q4_K_XL*"
llama-cli --model Qwen3.8-27B-UD-Q4_K_XL.gguf \
  --temp 1.0 --top-p 0.95 --top-k 20 --min-p 0.0

Unsloth の資料には、自前の API サーバーとして立てるコマンドも載っています。推論の深さを medium に下げた例です。

unsloth run --model unsloth/Qwen3.8-27B-GGUF:UD-Q4_K_XL \
  --temp 1.0 --top-p 0.95 --top-k 20 --min-p 0.0 --reasoning-effort medium

まず動かして体感の速さを測り、それから量子化レベルや文脈の長さを調整するのが確実です。LM Studio や Jan でも同じGGUFを読み込めます。LM Studio の既定のコンテキスト(8,192トークン)は、Thinking の推論だけで埋まることがあるので広げておいてください。

2. vLLM で社内APIとして立てる

vLLM なら OpenAI 互換の /v1 エンドポイントが立つため、既存のクライアントコードをほぼそのまま使えます。

pip install vllm
vllm serve "Qwen/Qwen3.8-27B"

公式 GitHub の例では、GPU 4枚で --tensor-parallel-size 4 --max-model-len 262144 を指定しています。MTP を使うなら --speculative-config '{"method": "mtp", "num_speculative_tokens": 2}' を足します(1本ごとの生成は速くなりますが、全体のスループットはやや落ちます)。

262Kを超える長文を扱うときは、config.json に YaRN の設定を入れます。

{
  "rope_type": "yarn",
  "rope_theta": 10000000,
  "factor": 4.0,
  "original_max_position_embeddings": 262144
}

vLLM から指定するときは VLLM_ALLOW_LONG_MAX_MODEL_LEN=1 を付けて、--max-model-len と --hf-overrides を併用します。

100万トークンはネイティブの性能ではありません。 公式モデルカードには「静的な YaRN は短い文の性能を落とすことがあるので、長文を扱うときだけ有効にする」と書かれています。「1Mコンテキスト対応」という表記だけを見て設計しないでください。

社内APIとして立てるなら、推論サーバーには認証をかけ、社外のネットワークに公開しないことも忘れないでください。

3. SGLang で同時アクセスに備える

SGLang にも公式のクックブックがあります。起動は次のとおりです。

python3 -m sglang.launch_server --model-path "Qwen/Qwen3.8-27B" --port 30000

ハイブリッド構成のモデルでは --mamba-full-memory-ratio(既定0.9)がスループットに影響するとされています。

4. 公式が保証する範囲を知っておく

Qwen が公式に配布・保証しているのは BF16 と FP8 だけです。GGUF・AWQ・NVFP4 は第三者による変換で、品質の確認は使う側の責任になります。

Hugging Face や GitHub には「Qwen3.8-27B」を名乗る量子化版や派生モデルが大量にありますが、業務で使うなら入手先を絞ってください。 公式リポジトリ(Hugging Face の Qwen/Qwen3.8-27B、Qwen/Qwen3.8-27B-FP8 と ModelScope)、Ollama 公式ライブラリ、Unsloth のように実績のあるアップローダに限るのが無難です。2026年8月には、Qwen3.8 27B の無検閲化版を名乗る GitHub のリポジトリが、実際には情報を盗むマルウェアを配っていた例も報告されています。

推奨サンプリングパラメータ(公式)

公式モデルカードはモードごとに違う値を勧めています。

モード

temperature

top_p

top_k

min_p

presence_penalty

repetition_penalty

Thinking

1.0

0.95

20

0.0

0.0

1.0

Instruct(非Thinking)

0.7

0.80

20

0.0

1.5

1.0

presence_penalty は0〜2で調整できますが、高くしすぎると日本語の出力に英語や中国語が混ざることがあると注意書きがあります。

Qwen3.8-27Bでできること

Hugging FaceのQwen3.8-27B公式モデルページ

出典: Hugging Face「Qwen/Qwen3.8-27B」公式モデルページ

1. 画像・動画の理解

STEM分野の図表、スキャンした文書、グラフ入りのPDF、1時間規模の動画の理解に対応しています。文書解析の OmniDocBench 1.5 では 91.1(公式発表値)で、OCRやレイアウト解析にも使える水準です。Simon Willison の検証でも、画像認識とバウンディングボックスの出力は強いと評価されています。

長い動画を読ませる場合は、video_preprocessor_config.json の longest_edge を 469,762,048 に上げることが推奨されています。

一方で音声の入出力には対応していません。音声も扱いたい場合は、API専用の Qwen3.8-Omni-Flash か、Qwen 3.5-Omniのようなオムニモーダルのモデルが別に必要です。

2. Thinking(熟考)モードの切り替え

既定では Thinking がONで、<think>...</think> を出力しながら推論します。リクエストごとにOFFにでき、推論の深さも選べます。

設定

用途の目安

reasoning_effort: xhigh(既定)

難しいコーディング、数学、何段階もの推論

medium

一般的な業務タスク

low

短い質問への回答、分類、整形

Thinking OFF("enable_thinking": False)

会話、情報抽出、速さを優先する定型処理

Thinking を切るには、chat_template_kwargs に "enable_thinking": False を渡します。llama.cpp では --chat-template-kwargs '{"reasoning_effort":"medium"}' のように深さを変えられます。Preserved Thinking(過去のメッセージの推論を保持する機能)も既定でONで、preserve_thinking: false にすると最新のユーザーターンの推論だけを残します。

実務ではこの設定が大事です。既定の xhigh のままだと、簡単な質問にも推論トークンを大量に使います。Simon Willison は「簡単なSVGの作成に21分、約2.2万トークンを推論に使った」と報告し、最初は low か推論なしから始めるよう勧めています。ComputingForGeeks も、会話や情報抽出では OFF、計算や論理の問題では ON を勧めています(OFFで誤答した例がありました)。

ただし、effort を下げれば必ず安くなるわけではありません。公式モデルカードにも「effort を下げると1回の応答は速くなるが、何ターンも続くエージェント処理では総レイテンシや総トークンがかえって増えることがある」と書かれています。DGX Spark で測った第三者のレポートでも、medium のほうが xhigh より総トークンが多くなった例がありました。設定は自分の処理で測って決めてください。

3. エージェントとしての実行能力

Qwen3.8-27B の強みは、文章を書くことよりエージェントとしての操作です。公式発表値では、PC操作の OSWorld-Verified が 84.3、スマートフォン操作の AndroidWorld が 81.9、ブラウザ操作の WebArena-Verified が 64.8 です。

  • 自分で計画を立て、環境からの反応を見て計画を直す
  • 画面を見ながらツールを呼び出す
  • JSONなどの構造化出力
  • 時間のかかるタスクを最後までやり遂げる

公式のコーディングとエージェントの評価は、Claude Code を実行環境に使って測られています。ツール連携の標準規格はMCP(Model Context Protocol)の解説で確認すると、実装のイメージがつかみやすくなります。

4. ファインチューニングと派生モデルの配布

Apache 2.0 なので、LoRA などでファインチューニングした派生モデルを商用で配布することもできます(著作権表示とライセンス文の同梱が必要)。Unsloth が LoRA でのファインチューニングに対応しています。なお、Alibaba Cloud Model Studio のホスト版はファインチューニングとバッチ推論に対応していないので、自社データで学習させたいなら重みを手元に置くことになります。

ベンチマーク:公式発表値と第三者評価を分けて読む

Qwen3.8-27Bのベンチマークは公式値と第三者の値を分けて読む

公式発表値は Qwen 自身が測った値です。コーディングとエージェントの評価は Claude Code の実行環境、temperature 1.0、256Kのコンテキストで行われています。第三者の評価とは分けて読んでください。2026年11月11日時点で、公式の値は公開時から変わっていません。

Qwen公式発表値(テキスト・コーディング系)

公式の表は、前世代の Qwen3.6-27B、上位の Qwen3.7-Plus、同じ規模の Muse Glimmer-30B、Claude Opus 4.6 Max と並べています(太字は表の中での最高値)。

ベンチマーク

Qwen3.8-27B

Qwen3.6-27B

Qwen3.7-Plus

Muse Glimmer-30B

Opus 4.6 Max

Terminal-Bench 2.1

73.0

63.4

64.0

51.7

78.2

SWE-bench Pro

61.7

53.5

57.6

51.2

53.4

NL2Repo-Bench

42.3

36.2

41.1

—

47.6

DeepSWE 1.1

42.2

13.3

14.2

—

—

QwenSWEBench(自社ベンチ)

79.0

49.3

59.2

—

63.8

CoWorkBench(オフィス業務)

70.7

61.0

65.1

—

68.2

IFBench(指示追従)

79.5

69.1

79.1

77.0

62.5

GPQA Diamond

89.2

87.8

90.3

83.5

91.3

HLE(Humanity's Last Exam)

30.8

24.0

34.7

22.0

40.0

LiveCodeBench v6

90.3

83.9

89.6

—

88.8

Qwen公式発表値(画像・エージェント系)

ベンチマーク

Qwen3.8-27B

Qwen3.6-27B

Qwen3.7-Plus

Opus 4.6 Max

OSWorld-Verified(PC操作)

84.3

63.9

73.3

72.7

AndroidWorld(スマホ操作)

81.9

70.3

81.0

62.0

WebArena-Verified(ブラウザ操作)

64.8

48.8

55.3

—

SWE-MM(画像を含むソフトウェア開発)

38.6

25.7

30.0

27.1

OmniDocBench 1.5(文書解析)

91.1

89.4

91.4

86.6

RealWorldQA

85.9

84.1

86.9

73.9

ERQA(身体性)

65.5

62.5

69.8

40.8

MathVision(94.6)と CharXiv(90.2)は、Qwen3.8-27B だけがコード実行(CI)を併用した値で、ほかのモデルの一部は CI なしの値です。条件が違うので、そのままは比べられません。Muse Glimmer-30B の OSWorld-Verified は 65.9 です。同じ規模のオープンモデルとして比べるなら、Meta Muse Glimmerとはの解説も参考になります。

第三者評価(Artificial Analysis)

指標

値(v5.0.1、2026年11月11日確認、Xhigh 設定)

Intelligence Index

20(同じクラスの中央値8)

出力速度

46 tok/s(Alibaba API で計測)

最初の回答トークンまでの時間

145.48秒(比較対象のオープンウェイトモデルの中央値5.03秒)。Thinking の時間を含むとみられる

評価時の出力トークン

約1.28億(中央値7,770万)

1タスクあたりのコスト

$3.53

1タスクあたりの所要時間

39.8分(中央値13.5分)

読むときの注意が3つあります。

1つ目は、Artificial Analysis が指数を何度も改定していることです。v4.1.1 → v4.3.2 → v5.0.1 と2回改定されていて、公開直後に報じられた「52」や、10月時点の v4.3.2 の「34」は旧版の値です。v5.0.1 の20とは比べられません。

2つ目は順位です。同じページでも、絞り込み方によって母数が変わり、順位の表示も変わります。順位ではなく、「クラス中央値の2倍以上」という点数の差で見るほうが安全です。

3つ目は出力の長さです。評価時の出力は中央値の約1.6倍で、1タスクの所要時間は約3倍でした。Thinking が既定でONで、推論の深さも既定が最大の xhigh になっている影響が数字に表れています。ローカルでもAPIでも、reasoning_effort の設定を後回しにすると、待ち時間か課金額で困ることになります。

フロンティアモデルとの差

Opus 4.6 Max と比べると、Terminal-Bench 2.1(73.0 対 78.2)、HLE(30.8 対 40.0)、GPQA Diamond(89.2 対 91.3)ではまだ差があります。DeepSWE 1.1 でも、第三者の集計(DataLearner)では GPT-5.6(Sol)が72.70とされていて、Qwen3.8-27B の42.2とは開きがあります。

難しい自律コーディングでは差が残っています。 「27Bで、無料で、手元のGPUで動く」ことに価値があるモデルで、クラウドのフロンティアモデルをそのまま置き換えられるわけではありません。学習データ、学習トークン数、知識のカットオフはいずれも公開されていません。

中国発のオープンモデルがここまで存在感を増した背景は、中国製AIモデルの利用シェア動向で整理しています。

どこで動かすか:ローカル / OpenRouter / Cerebras / Alibaba Cloud

OpenRouterのQwenモデル一覧ページ。API経由でQwen3.8系を使える

出典: OpenRouter「Qwen」公式モデルページ

Qwen3.8-27B は「ローカルで動かすモデル」と紹介されがちですが、APIで使う選択肢もかなり広がっています。2026年11月11日時点で OpenRouter の提供元は23社あり、料金も速さもまちまちです。提供元は1か月で入れ替わり(10月中旬は25社)、最安の顔ぶれも変わりました。最新の値は OpenRouter のモデルページで確かめてください。

チャネル

速度の目安

料金(100万トークン、入力/出力)

コンテキスト上限

向いている用途

ローカル(RTX 4090 24GB / 4bit)

約95〜110 tok/s(MTP有効・短い文脈)/約47 tok/s(MTP無効)

電気代とGPUの償却費のみ

KV q4_0 で262Kまで

機密データ、常時稼働、課金上限なし

ローカル(RTX 5090 32GB)

約75 tok/s(MTP無効・4K)

同上

KV f16 で128K

個人で速さと長さを両立したい

OpenRouter(23社)

提供元による

既定 $0.15 / $1.875(BF16 の DeepInfra と同額)。入力最安 $0.035、出力最安 $1.05

提供元による(多くは262K、100万の提供元もある)

コスト重視、まず試したい

Cerebras Inference

1,500 tok/s 前後

$0.99 / $1.49

65,536(OpenRouter 上の表示)

待ち時間をなくしたい対話・エージェント

Alibaba Cloud Model Studio(シンガポール)

46 tok/s(Artificial Analysis 計測)

3.646元 / 21.875元

100万

公式のホスト版、キャッシュ割引あり

Qwen Cloud 公式ホスト版

—

未発表

100万(予定)

2026年11月時点でも「coming soon」のまま

モデル本体は無料

Apache 2.0 のオープンウェイトなので、モデル自体のライセンス費用はかかりません。かかるのはGPU・電力・運用の手間か、APIの従量課金です。

OpenRouter は「どの提供元か」まで見る

OpenRouter のモデルページの既定表示は $0.15 / $1.875 ですが、実際の料金は提供元ごとに違います。2026年11月11日時点の主な提供元です。

提供元

入力 / 出力($/100万トークン)

量子化

コンテキスト / 最大出力

Darkbloom

0.035 / 1.50

fp4

262,144 / 65,536

Chutes

0.039 / 1.25

fp8

262,144 / 65,536

Near AI

0.04 / 1.35

fp8

262,144 / 65,536

Tenstorrent

0.15 / 1.60

fp8

262,144 / 235,929

DeepInfra

0.15 / 1.875

bf16

262,144 / 235,929

StreamLake

0.175 / 1.05

不明

1,024,000 / 128,000

Nebius

0.18 / 1.20

fp4

1,000,000 / 900,000

CoreWeave

0.40 / 3.00

fp8

262,144 / 235,929

Alibaba

0.425 / 2.55

不明

1,000,000 / 131,072

GMICloud

0.45 / 3.20

bf16

1,048,575 / 943,717

Cerebras

0.99 / 1.49

fp16

65,536 / 32,768

バッチ版(qwen/qwen3.8-27b:batch)は $0.16 / $2.00 です。

いちばん安い提供元の多くは fp4 か fp8 に量子化した版で、最大出力が65,536に絞られているところもあります。 選ぶときの観点は4つです。

  • とにかく入力を安く:Darkbloom・Chutes・Near AI(量子化版。最大出力は65,536)
  • 出力が多い処理を安く:StreamLake($1.05)、Nebius($1.20)
  • 品質を優先:BF16 で動かしている DeepInfra か GMICloud
  • 長い文脈(100万)を使う:StreamLake・Nebius・Alibaba・GMICloud など

品質を重視する処理では、BF16 の提供元を指定するか、自分のタスクで出力を比べてから決めてください。

Alibaba Cloud Model Studio(公式)

モデルコードは qwen3.8-27b です。コンテキストは100万トークン、最大出力は131,072トークンで、function calling、構造化出力、Web検索、コンテキストキャッシュに対応しています。バッチ推論とファインチューニングには対応していません。

100万トークンあたりの定価は、中国(北京)リージョンが入力3元・出力12元、シンガポール(国際)リージョンが入力3.646元・出力21.875元です。Artificial Analysis はドル換算で $0.50 / $3.00 としていますが、為替で変わるので目安と考えてください。新規アカウント向けの無料枠がこのモデルに付くかどうかは、公式ページでは確認できませんでした。

Cerebras は速いが、制約もある

2026年9月3日に Cerebras Inference が Qwen3.8-27B の提供を始め、約1,500 tok/s(提供開始時の報道)という速さで話題になりました。資料によっては約1,850 tok/s とするものもあり、数字には幅があります。料金は $0.99 / $1.49 です。

  • OpenRouter 経由の Cerebras はコンテキスト65,536、最大出力32,768まで。長時間のエージェント処理には足りないことがある
  • 2026年10月5日に料金体系が変わり、Free Trial と $10 の Developer プランが従量課金の「Developer」にまとめられた。公式の料金ページによれば、支払い方法を登録すると $5 分のクレジットが1回だけ付き(有効化から30日、自動で有料には移らない)、Developer の段階は開発・評価向けで本番での利用は想定していない
  • 公開直後の Hacker News では、同じコーディングタスクで Cerebras が $1.60・5.1分、OpenRouter が約 $0.29・14.4分だったという報告があった

速さにお金を払う価値があるかどうかで選ぶチャネルです。Cerebras 公式の料金表のうち Qwen3.8-27B の行は、利用前に直接確かめてください。

損益分岐点をざっくり試算する

「GPUを買うか、APIで済ませるか」を概算します。1ドル=150円、コーディング用途で入力:出力=5:1という前提を置いた目安です(料金は2026年11月11日時点の OpenRouter の値)。

  • API側:入力100万+出力20万トークンで、既定表示(BF16 の DeepInfra と同額)なら約 $0.53(約79円)、入出力の合計で最安の Chutes(fp8)なら約 $0.29(約43円)
  • ローカル側:24〜32GB級のGPUを積んだPCを40万円として3年で償却すると月約11,000円。電気代を月2,000〜4,000円と見て、月13,000〜15,000円程度

この月額をAPIで使い切るには、BF16 の提供元でも月に約2億トークン、最安の提供元なら約4億トークンが必要です。API の料金がここまで下がっている以上、コストだけを理由にローカル用のGPUを買う意味は薄いと言えます。

ローカル実行の価値は金額以外にあります。

  • 社外にデータを一切出せない(医療・金融・法務・自治体など)
  • レート制限や従量課金を気にせず、エージェントを長時間回したい
  • オフラインや閉域網で動かす必要がある
  • モデルを固定して、提供元の更新の影響を受けたくない
  • ファインチューニングして自社向けの派生モデルを持ちたい

当てはまるなら、コスト比較の結果にかかわらずローカルで動かす理由があります。こうした要件で新しいモデルを社内の業務システムに組み込む場合は、GPU代やAPI代とは別に、つなぎ込みの開発費と運用費がかかります。改修・PoC・本開発それぞれの価格と見積もりの内訳は、AI開発の費用相場で整理しています。

API で安く済ませたいだけなら、DeepSeek V4 Flashのような低価格のモデルと比べる価値もあります。OpenRouter を前提にするなら、OpenRouterの買収報道のような提供体制の変化にも気を配っておくとよいでしょう。

このツールを自社のシステムや業務にどう組み込むか、ご提案します

初回相談は無料・30分(オンライン)。要件が決まっていなくても大丈夫です。改修100万円〜・PoC300万円〜(税別)

Qwen3.8-27Bの弱み・制約:導入前に把握すべき7点

GGUF形式の量子化版を動かすllama.cppの公式リポジトリ。GGUF版は公式の保証範囲外

出典: GitHub「ggml-org/llama.cpp」公式リポジトリ

  1. 音声の入出力に対応していない。 入力はテキスト・画像・動画、出力はテキストだけです。
  2. 100万トークンはネイティブではない。 ネイティブは262,144トークンで、100万トークンは YaRN による拡張です。公式も、短い文の性能が落ちることがあると注意しています。
  3. Thinking が既定でONなので出力が長い。 Artificial Analysis(v5.0.1)の評価では、出力が中央値の約1.6倍、1タスクの所要時間は中央値の約3倍(39.8分 対 13.5分)でした。設定を変える前提で運用を設計してください。
  4. 長い文脈では遅くなる。 RTX 5090 の64Kで26.22 tok/s と、前世代の Qwen3.6-27B(63.66 tok/s)より大幅に遅い実測があります。
  5. 細かい事実知識に弱い。 特に日本国内の話題でハルシネーションの報告があります。RAG などで外部の知識を補う前提で使ってください。日本語の指示追従は前世代より良くなったという観察がある一方、日本語ベンチマークの公式スコアはありません。
  6. 専門分野の厳密な形式の出力でつまずくことがある。 計算化学ソフトの入力ファイルを作らせたところ、キーワードの取り違えや座標の不整合が起きたという検証報告があります。
  7. 公式の保証範囲が狭い。 保証されるのは BF16 と FP8 だけで、GGUF / AWQ / NVFP4 は第三者の変換です。Ollama で必要なバージョンも公式ページには書かれていません。

セキュリティ:ローカルなら安全というわけではない

ローカルLLMでも残るセキュリティリスクのイメージ

ローカルLLMの解説の多くは「ローカルならデータが外に出ないので安全」で終わっていますが、それだけでは足りません。得られるものと残るリスクを分けて考える必要があります。

得られるもの:データの外部送信をなくせる

Apache 2.0 と自社サーバーでの実行を組み合わせれば、機密データを外部のAPIに送らずに推論できます。医療・金融・法務など、オンプレミスが求められる分野と相性のよい構成です。なお、NVIDIA の NIM 経由で使う場合は、Apache 2.0 とは別に NVIDIA の利用規約もかかります。

それでも残る5つのリスク

1. 「Qwen3.8 27B」を名乗る偽物のマルウェア

人気のモデルは、偽物を配る攻撃に使われます。ブロックチェーンのセキュリティ企業 SlowMist は2026年8月28日、GitHub のリポジトリ qwen38-uncensored が Qwen3.8 27B の無検閲化版を名乗りながら、実際には StealC という情報窃取型マルウェアを配っていたと報告しました(Cryptopolitan の報道)。

  • README のリンクはすべて487KBの ZIP ファイルに向いていて、中にモデルの重みは入っていなかった
  • 実行すると、ブラウザに保存したログイン情報・Cookie・閲覧履歴・メールのパスワード・暗号資産ウォレットを盗む。Windows が狙われたとみられる
  • 同じ手口のリポジトリが少なくとも23件見つかった。公式の Qwen プロジェクトとは無関係

見分けるのは難しくありません。27B の4bit版は16GBを超えるので、数百KBや数MBの「モデル」はありえません。公式の重みは Hugging Face の Qwen 組織と ModelScope にしかなく、ほかのアカウントの「Qwen3.8-27B」はすべて第三者のものです。

Hugging Face でも、trust_remote_code を悪用した偽モデルが報告されています。Pluto Security が2026年10月29日に公表した調査では、7つのアカウントの31件のモデルが、config.json から Python ファイルを読み込ませ、trust_remote_code=True で読み込んだときに暗号資産の採掘プログラムや SSH のバックドアを仕込むようになっていました。Hugging Face のスキャンでは検知されなかったといいます。名乗っていたのは Qwen2 の小型版で、Qwen3.8 の偽物ではありませんが、Qwen の名前を使った偽モデルが実際に出回っている例です。

2. 無検閲化された派生モデルをつかむリスク

「abliteration(アブリテレーション)」は、モデル内部の「拒否する方向」を取り除いて、再学習なしに安全機構を外す手法です。Qwen3.8-27B にも、abliterated / Uncensored を名乗る派生モデルが Hugging Face などに数多く出ています。こうした版は、素のモデルなら断る依頼にも答えるようになります。

さらに注意したい事例として、8つの無検閲化版を調べた prismix.dev の検証では、1つの版がチャットテンプレートの中に脱獄用のシステムプロンプトを仕込んでおり、README には何も書かれていませんでした。重みのファイルだけを見ても、この種の細工には気づけません。

企業で取り込むときは、次の点をチェック項目にしてください。

  • 入手先を公式リポジトリ(Hugging Face の Qwen/、ModelScope)か、実績のあるアップローダ(Unsloth など)に限る
  • ファイルサイズを確かめる(27B の4bit版は16GB超。極端に小さいものは重みではない)
  • ZIP や実行ファイルで配られている「モデル」は開かない
  • chat_template と tokenizer_config.json を公式版と差分で比べる
  • trust_remote_code を有効にしない。どうしても必要なら、auto_map が指す .py を読んでからにする
  • 確認した版(revision)を固定し、取り込んだファイルのハッシュを記録して、更新のたびに確かめる
  • 素性を確かめきれないモデルは、権限とネットワークを絞った環境で動かし、本番の秘密情報を置かない

3. 学習に由来する偏り

中国系のホスト型アシスタントは、政治的に敏感な話題で回答を避ける傾向が複数報告されています。自分のサーバーで動かせばサービス側の検閲は外せますが、学習の段階で入った偏りまでは取り除けません。 世論分析や国際政治、歴史に関わる業務では、出力の偏りを前提にレビューの工程を置いてください。

4. prefill 攻撃

アシスタントの応答の冒頭を強制的に差し込んでガードレールを回避する「prefill 攻撃」について、オープンウェイトモデル全般に弱さがあることが論文で指摘されています(arXiv 2602.14689 ほか)。重みを手元に置けるということは、攻撃する側も自由に試せるということです。Qwen3.8-27B 単体の公式な安全性評価は確認できていません。

5. エージェントと推論サーバーの権限設計

OSWorld 84.3、AndroidWorld 81.9 という数字は、このモデルがPCやスマートフォンを実際に操作できることを意味します。ファイルの書き込み、ネットワークへのアクセス、シェルの実行を無制限に許せば、ローカルLLMでも被害は起こります。サンドボックスと最小権限は欠かせません。vLLM などで立てた推論APIも、認証をかけずに外へ公開すると他人に使われます。考え方はAIエージェントのセキュリティ対策で詳しく整理しています。

コード生成に伴うリスク全般はAIコーディングのセキュリティリスクも参考にしてください。日本企業で使う場合は、経済産業省・IPAのガイドラインと社内のAI利用規程に合っているかも確認が必要です。

他のローカルLLMとの棲み分け

複数のローカルLLMを切り替えて試せるLM Studioの公式ロゴ

出典: LM Studio公式サイト

オープンモデルにはほかにも選択肢があります。用途ごとの使い分けの目安です。

モデル

ライセンス

特徴

選ぶ場面

Qwen3.8-27B

Apache 2.0

画像・動画対応、262K、エージェント操作に強い

画像も扱いたい、PC操作を自動化したい、派生モデルを商用配布したい

Meta Muse Glimmer

Apache 2.0

約30Bのエージェント向けモデル

24GBで長い文脈を速く回したい(同じ RTX 3090 では Qwen3.8 より速いという実測あり)

Gemma 4 12B

Google独自(比較的ゆるい)

ノートPCでも動く軽いマルチモーダル

16GB前後のVRAMで手堅く動かしたい

GLM-5.3-Flash

MIT

320B/アクティブ18BのMoE。API料金が安い

ローカルよりAPI前提でコストを抑えたい

GLM-5.1

MIT

コーディング性能が高い

ライセンスの自由度を最優先したい

Llama 4 Scout

Meta独自ライセンス

アクティブ17BのMoE、とても長い文脈

長文の処理が主な目的

Kimi K2.6

オープンウェイト

1T級のMoE

ローカルよりサーバーでの運用向け

LLM-jp-4 33B

Apache 2.0

国産で日本語に強い

日本国内の知識が重要な用途

Qwen3.8-27B を選ぶ決め手は3つで、画像や動画を入力に使うこと、エージェントにPCやブラウザを操作させること、Apache 2.0 で派生モデルを商用配布したいことです。どれにも当てはまらないなら、ほかのモデルのほうが素直な選択になることもあります。

日本語特有の知識が精度を左右する業務では、国産LLM 7選の比較もあわせて検討してください。

こんな人におすすめ

  • 社外にデータを出せない企業の開発・情報システム担当者:Apache 2.0 で自社サーバーに置けば、機密文書やコードを外に送らずに処理できる
  • VRAM 24GB以上のGPUを持つ開発者:4bitで常用でき、MTPを使えば短い文脈で約100 tok/s。トークン課金を気にせずエージェントを回せる
  • 長いコードベースや文書をローカルで読ませたい人:KVキャッシュを q4_0 にすれば、24GBでも131K〜262Kに届く
  • 画像・図表・スキャン文書を扱う業務:OmniDocBench 1.5 で91.1(公式発表値)と文書解析に強い
  • PC操作の自動化を試したい人:OSWorld-Verified で84.3。オープンモデルでは上位の操作能力
  • モデルを自社向けに育てたい企業:LoRAでファインチューニングした派生モデルを商用配布できる
  • モデルのバージョンを固定したい業務:クラウド側の予告のない更新に左右されない

おすすめしない人

  • VRAM 16GB未満の環境しかない人:1〜2bitなら起動しますが品質の低下が大きく、エージェント用途には使えません。APIを使うほうが確実です
  • コスト削減だけが目的の個人・小規模チーム:月に2億トークン以上を使わない限り、OpenRouter 経由(既定 $0.15 / $1.875、量子化版なら入力 $0.035〜)のほうが安く済みます
  • 最高難度のコーディングを任せたい人:Terminal-Bench 2.1 で Opus 4.6 Max(78.2)に届かず、DeepSWE 1.1 でも上位のクローズドモデルとの差は大きいままです
  • 音声の入出力が必要な人:対応していません。Omni 系のモデルを検討してください
  • 速い応答と長い文脈を24GBで両立したい人:24GBでは MTP と64K以上の文脈を同時に使えないことがあります
  • 日本国内の細かい知識が精度を左右する業務:ハルシネーションの報告があり、RAGでの補強か国産LLMとの併用が必要です
  • 中国系モデルの利用が社内規程で制限されている組織:重みを自社で管理していても、規程上の判断は別の問題です
  • サーバーの運用担当を置けない組織:量子化の選定、KVキャッシュやMTPの調整、推論エンジンの更新に継続的な手間がかかります

よくある質問

Q. 「Qwen3.8」と「Qwen3.8-27B」は同じものですか。

違います。「Qwen3.8」はシリーズ名で、27B(Apache 2.0・画像と動画に対応)、2.4T-A95B(独自ライセンス・テキストのみ)、Max と Max-Prime(ホスト型API)、Flash-Next(Qwen4の先行版)、Omni-Flash(API専用・音声対応)が含まれます。ローカル実行の話で「Qwen3.8」と呼ばれているのは、ほぼ27Bのことです。

Q. Qwen4-27B が出るなら、Qwen3.8-27B は待ったほうがいいですか。

待つ理由は今のところ薄いと考えます。Qwen4-27B は2026年10月末のイベントで「coming soon」と示されたと報じられただけで、2026年11月11日時点で重み・ライセンス・公開日・ベンチマークのどれも発表されていません。Qwen3.8-27B で組んだ環境(Ollama や vLLM の設定、評価用のデータ)はモデルを差し替えても使い回せるので、いま必要なら Qwen3.8-27B で始め、Qwen4-27B が Apache 2.0 で重みを公開したら自分のタスクで比べて乗り換えを決めれば足ります。

Q. Qwen3.8-27B を商用製品に組み込んで販売できますか。

27B は Apache 2.0 なので、公式モデルカードに基づけばできます。著作権表示とライセンス文の同梱、変更点の明示が必要です。2.4T-A95B は別ライセンスで、売上5,000万ドル超の MaaS や AI Work Assistant 事業では別途ライセンスが要るため、組み込むモデル名を必ず特定してください。

Q. RTX 4090(24GB)で快適に動きますか。

動きます。Ollama の既定(MTP有効)なら短い文脈で約95 tok/s、MTPを切ると約47 tok/s です。長い文脈は、KVキャッシュを q4_0 にすると131Kで約100 tok/s、262Kでも約22GiBに収まったという実測があります。ただし MTP と64K以上の文脈は同時に使えないことがあるので、用途に合わせてどちらを取るか決めてください。

Q. なぜ「262K」と「1M」の2つの数字が出てくるのですか。

262,144トークンがネイティブの上限で、100万トークンは YaRN という手法で拡張したときの上限です。拡張すると短い文の性能が落ちることがあると公式が注意しているので、長文を扱うときだけ有効にします。OpenRouter や Alibaba Cloud で「100万」と表示されている提供元も、この拡張を使っていると考えてください。

Q. OpenRouter で一番安い提供元を選んでも大丈夫ですか。

用途によります。入力が最安クラス($0.035〜$0.04)の提供元は fp4 か fp8 の量子化版で、最大出力も65,536に絞られています。長い出力を返させる処理や品質を重視する処理では、BF16 で動かしている提供元(DeepInfra、GMICloud)を選ぶか、自分のタスクで出力を比べてから決めてください。

Q. Cerebras の1,500 tok/s はお得ですか。

速さは圧倒的ですが、料金は $0.99 / $1.49 で、入力は量子化版の最安の提供元の20倍以上です。OpenRouter 経由ではコンテキストが65,536に限られます。2026年10月5日には無料トライアルが従量課金の Developer プランにまとめられ、初回クレジットは $5 分だけです。待ち時間そのものに価値がある対話・エージェントに絞って使うのが合理的です。

Q. Hugging Face や GitHub の量子化版はどれを選べばいいですか。

業務で使うなら、公式リポジトリ(Qwen/Qwen3.8-27B、Qwen/Qwen3.8-27B-FP8)、Ollama 公式ライブラリ、Unsloth のように実績のあるアップローダに限ってください。2026年8月には Qwen3.8 27B の無検閲化版を名乗る GitHub のリポジトリが情報窃取型マルウェアを配っていた例があり、チャットテンプレートに脱獄用のプロンプトを仕込んだ派生モデルも見つかっています。出所のわからないリポジトリから重みを取ってくるのは、出所のわからないプログラムを実行するのと同じリスクがあります。

Q. 企業で導入するとき、最初に確認すべきことは何ですか。

3つです。①どのモデル名を使うか(ライセンスがモデルごとに違う)、②扱うデータの機密区分とオンプレミスの要件、③エージェント機能を使う場合の権限設計とサンドボックス。この3点を決めてからGPUや提供元を選ぶと、やり直しが起きにくくなります。

まとめ

Qwen3.8-27B(Qwen 3.8 27B)は、ローカルで動くオープンウェイトのLLMとして、画像・動画の理解とエージェント操作を実用の水準に乗せたモデルです。Apache 2.0 で商用利用でき、262Kのネイティブ文脈を持ち、4bitなら24GBのGPU 1枚で動きます。Ollama でのダウンロードは約630万、Hugging Face でも直近1か月で約744万に達し、Artificial Analysis の Intelligence Index(v5.0.1)はクラス中央値の2倍以上の20です。

押さえておきたい前提もあります。必要なVRAMはウェイトのサイズでは決まらず、文脈の長さ、KVキャッシュの精度、MTPの有無で変わります。Apache 2.0 なのは 27B だけで、シリーズのほかのモデルは条件が違います。そしてローカルだから安全とは限りません。偽リポジトリのマルウェア、無検閲化された派生モデル、prefill 攻撃、エージェントの権限設計という別のリスクが残ります。

後継の Qwen4-27B は予告の段階で、重みもライセンスもまだ出ていません。判断の起点は2つです。データを外に出せない事情があるか、VRAM 24GB以上のGPUを用意できるか。 どちらもYesなら、27Bクラスでは有力な選択肢です。どちらかがNoなら、OpenRouter 経由(既定 $0.15 / $1.875)で試すか、Qwen3.8-Maxのようなホスト型APIから検討するほうが早く成果につながります。

関連記事

このツールを自社のシステムや業務にどう組み込むか、ご提案します

この記事の著者

AI革命

AI革命

編集部

AI革命株式会社の編集部です。最新のAI技術動向から実践的な導入事例まで、企業のデジタル変革に役立つ情報をお届けしています。豊富な経験と専門知識を活かし、読者の皆様にとって価値のあるコンテンツを制作しています。

AI・システム開発は、開始価格を公開しています

既存システムの改修 100万円〜・PoC 300万円〜(税別)。相談内容を送っていただくと、2営業日以内に担当者からご返信します