Qwen3.8 27B API
更新于
Qwen3.8 27B在 BroadNet Inference 上的模型 ID 为 broadnet/qwen3.8-27b,通过 OpenAI 兼容接口 https://inference.broadnet.ai/v1 调用。价格为每百万 token 输入 US$0.175、缓存输入 US$0.0435、输出 US$2.17,上下文 262,144 token。需要符合条件的充值(初始额度不可用),推理内容不保留。
概览
- Text
- Vision (image input)
- Tool calling
- Reasoning
- Structured output
- 上下文 262,144 token
- 支持文本和图像输入
- 工具调用、结构化输出和思考
- BroadNet 测试:阿拉伯语写作流畅,能理解海湾和埃及方言,阿拉伯语与英语互译准确
| 模型 ID | broadnet/qwen3.8-27b |
|---|---|
| 端点 | /v1/chat/completions |
| 支持的输入 | 文本、图像(视觉:理解,不是生成) |
| 上下文 | 262,144 token,提示词与回答合计 |
| 输入 | 每百万 token US$0.175 |
| 缓存输入 | 每百万 token US$0.0435(仅限 API 报告的缓存命中) |
| 输出 | 每百万 token US$2.17 |
| 按量付费限制 | 每个密钥每分钟 30 个请求,同时最多 4 个 |
| 使用条件 | 需要充值:完成符合条件的充值后开通;初始额度不可用 |
本页价格来自 BroadNet 价格数据源 的快照,本页未实时核对。当前价格请查看官方价格页面(英文)。
官方价格页面(英文)报告价格或数字错误(发邮件至 info@broadnet.ai,已自动填入本页链接)。
BroadNet 公布了 Qwen3.8 27B 的哪些信息?
来源:BroadNet 模型目录(英文),核对日期 2026 年 11 月 15 日。除注明公开排行榜外,测量数据均为 BroadNet 在自有硬件上所测;我们没有复现。
| 在 BroadNet 实验室中的部署 | 在 llama.cpp 上使用 GGUF Q4_K_M,配视觉投影器(vision projector)和 MTP 草稿模型(MTP drafter);在 BroadNet 为 AMD ROCm 修改的 vLLM 上使用 AWQ INT4 |
|---|---|
| API 上下文 | 262,144 token(pricing.json) |
BroadNet 的测量结果
- 使用多 token 预测(MTP)时单路流每秒 55 个 token,在 ROCm 上 MTP 接受率为 92%。
BroadNet 如何选择和部署模型:它的 GPU 硬件与部署方式,以及它评估后排除的模型。
并排对比:Qwen3.8 27B 对比 DeepSeek V4.1 Flash(英文), Qwen3.8 27B 对比 GLM 5.3(英文)和Qwen3.8 27B 对比 BroadNet Gemma 4 VL 26B(英文),包括价格、上下文和工作负载费用。另有 15 家服务商也提供 Qwen3.8 27B,按其各自价格页面,每百万 token 输入 US$0.039 起、输出 US$1.25 起:Qwen3.8 27B API 各服务商价格。同一段文本在不同模型上的 token 数不同:在分词器效率数据集(英文)中查看 Qwen3.8 27B 的分词器在阿拉伯语、英语和代码上的表现。
用 Python 调用
用 pip install openai 安装 OpenAI SDK,导出 BROADNET_API_KEY,然后运行:
from openai import OpenAI
import base64, os
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
image = base64.b64encode(open("invoice.jpg", "rb").read()).decode()
response = client.chat.completions.create(
model="broadnet/qwen3.8-27b",
max_tokens=2000,
messages=[{"role": "user", "content": [
{"type": "text", "text": "What is the total on this invoice?"},
{"type": "image_url", "image_url": {"url": "data:image/jpeg;base64," + image}},
]}],
)
print(response.choices[0].message.content)或者用 curl
curl https://inference.broadnet.ai/v1/chat/completions \
-H "Authorization: Bearer $BROADNET_API_KEY" \
-H "Content-Type: application/json" \
-d '{"model":"broadnet/qwen3.8-27b","messages":[{"role":"user","content":"Reply with one short sentence."}]}'Qwen3.8 27B 会先思考再回答。思考内容计入 max_tokens,并以 usage.completion_tokens_details.reasoning_tokens 报告,包含在补全(输出)token 数中,因此请按输出预算。请预留 1,000 个或更多 token,或把 reasoning_effort 设为 low,否则回答可能为空。为什么回答会是空的。
Qwen3.8 27B 指南
- 用 OpenAI Python SDK 调用 BroadNet Inference
- 用 OpenAI Node.js SDK 调用 BroadNet Inference
- 用 curl 首次调用 BroadNet Inference API
- 对话补全的流式输出,以及连接中断的处理
- 推理模型为什么返回空回答
- 在 LangChain 中调用 BroadNet Inference
- 在 Cline 中使用 BroadNet Inference(OpenAI Compatible 提供商)
- 在 Roo Code 中使用 BroadNet Inference(OpenAI Compatible)
- 在 Continue 中使用 BroadNet Inference(config.yaml 与 apiBase)
- 把 BroadNet Inference 添加为 opencode 的自定义供应商
- 把 Open WebUI 接入 BroadNet Inference
- 把 BroadNet Inference 作为自定义端点添加到 LibreChat
- 在 n8n 中使用 BroadNet Inference(OpenAI 凭据与 Base URL)
- 用 Vercel AI SDK 调用 BroadNet Inference
- 用 LiteLLM 路由到 BroadNet Inference(SDK 与代理)
- 在 BroadNet Inference 上运行 OpenAI Agents SDK
- 用视觉模型识别阿拉伯语发票和收据
- 在 Zed 中把 BroadNet Inference 配置为 OpenAI 兼容提供商
- 在 Kilo Code 中使用 BroadNet Inference(OpenAI Compatible 供应商)
- 把 BroadNet Inference 作为自定义供应商接入 goose
- 在 BroadNet Inference 上使用 Pydantic AI(OpenAICompatibleProvider)
- 在 CrewAI 中把 BroadNet Inference 用作自定义 OpenAI 端点
- 通过 OpenAILike 在 LlamaIndex 中使用 BroadNet Inference
- 用 OpenAI-API-compatible 插件把 BroadNet Inference 接入 Dify
- 在 Jan 中把 BroadNet Inference 添加为 OpenAI 兼容的自定义供应商
- 把 SillyTavern 接入 BroadNet Inference(自定义 OpenAI 兼容端点)
- 在 BroadNet Inference 上使用 Spring AI(OpenAI base-url)
- 用 Go 和 openai-go SDK 调用 BroadNet Inference
- 在 BroadNet Inference 上构建 LangGraph 智能体
- 在 Haystack 的 pipeline 和 agent 中使用 BroadNet Inference
- 在 BroadNet Inference 上使用 Semantic Kernel
- 在 BroadNet Inference 上运行 Mastra 智能体
- 在 BroadNet Inference 上用 Instructor 获取结构化输出
- 在 DSPy 中使用 BroadNet Inference(设置 model_type="chat")
- 用 promptfoo 评测 BroadNet 的模型
- 用 OpenAIModel 在 BroadNet Inference 上运行 smolagents
- 把 Flowise 接入 BroadNet Inference(OpenAI Custom Model 节点)
- 在 Langflow 中接入 BroadNet Inference
在控制台中使用 Qwen3.8 27B
inference.broadnet.ai 上的 BroadNet 控制台负责管理账户和密钥。它不会收到你在本页的选择,所以:
- 登录或创建账户。
- 完成符合条件的充值(初始额度不覆盖该模型),然后创建按量付费密钥。
- 把这个模型 ID 作为
model发送到/v1/chat/completions:broadnet/qwen3.8-27b
比较 Qwen3.8 27B
常见问题
Qwen3.8 27B 的模型 ID 是什么?
把 broadnet/qwen3.8-27b 作为 model 发送到 /v1/chat/completions。base URL 是 https://inference.broadnet.ai/v1。
Qwen3.8 27B 多少钱?
每百万 token 输入 US$0.175、缓存输入 US$0.0435、输出 US$2.17,从账户余额中扣除。
Qwen3.8 27B 的上下文窗口有多大?
每个请求 262,144 token,提示词与回答合计。
不充值能用 Qwen3.8 27B 吗?
不能。Qwen3.8 27B 需要完成符合条件的充值后才能使用。初始额度可用于 BroadNet Gemma 4 VL 26B、BroadNet Transcribe Arabic和BroadNet Transcribe 和 Gemma 按小时密钥。
我的数据会被存储吗?
推理内容不保留:提示词、图像和回答仅为处理该请求而使用。必要的账户、账单和安全元数据(例如耗时、token 数和费用)会按 BroadNet 隐私声明中的说明保留。了解详情。