奇 奇连 AI
学习路线图课程工具计算器企业服务关于加入会员

Qwen3.8-27B 的权重怎么组织：18 个分片、索引文件与 crc32

2026-08-16

翻一个模型仓，最先看到的往往不是 model card 的第一段，而是文件列表：一长串 model-0000X-of-00018.safetensors，旁边跟着 model.safetensors.index.json 和 crc32.txt。很多人会顺手把分片数当成规模指标，再往下推一层「那大概要多少显存」。这篇不干这件事，一个字都不推。

先把这篇能讲什么、讲不了什么划清楚。

一、我们没有下载任何一个分片

截至 2026-08-16，我们对 Qwen/Qwen3.8-27B 取到的快照是 1d4bf0f。取的是文本文件：model card、协议、配置、分词器配置、聊天模板，一共 8 个。18 个 .safetensors 分片、model.safetensors.index.json 和 crc32.txt 我们都没有下载。

所以这篇不会出现单片体积、权重总大小、加载后占多少显存、量化到某精度大概多少 GB 这类数字——不是不愿意写，是我们手上根本没有这些文件，写出来就只能是算的。model card 在 Model Overview 里写参数量是 27B（README.md:37），而 config.json 里没有任何一个字段直接写参数量，我们逐个 key 看过。由 27B 去反推体积，属于我们自己的推导，不是仓库里写的字。

二、仓库侧的文件清单（截至 2026-08-16）

按用途分，Hugging Face 仓库侧的文件是这么几类：

类别文件
权重分片model-00001-of-00018.safetensors … model-00018-of-00018.safetensors，共 18 个
分片索引model.safetensors.index.json
校验清单crc32.txt
模型配置config.json、generation_config.json
多模态预处理preprocessor_config.json、video_preprocessor_config.json
分词器tokenizer_config.json、tokenizer.json、merges.txt、vocab.json
对话模板chat_template.jinja
文档与协议README.md、LICENSE

「18 个分片」这个数字来自文件名本身的 -of-00018 后缀，是可以直接从清单上数出来的。它就到此为止了：分片是怎么切的、每片装了哪些张量、切分依据是什么，本文一概不写：文件清单里的 model.safetensors.index.json 与 crc32.txt，我们只知道这两个文件名存在，内容一行都没有读过，所以不描述它们的格式，也不描述里面有什么。

这就是本篇最别扭的地方，也是必须讲明白的地方：标题问「权重是怎么组织的」，而真正回答这个问题的两个文件，恰好是我们没取到的那两个。能讲的部分只有外圈——清单、配置、以及配置与文档对不对得上。

三、本地快照实况：8 个文本文件

我们在本地快照目录里用 Python 列了一遍文件，得到 8 个，逐个记下字节数、行数与换行符：

文件字节数行数CRLF 行数
LICENSE11,544202201
README.md65,012583582
chat_template.jinja8,9521700
config.json4,3121400
generation_config.json202130
preprocessor_config.json390210
tokenizer_config.json17,9283060
video_preprocessor_config.json385210

有两处小细节值得记一笔。

其一，README.md 与 LICENSE 是 CRLF 换行（分别 582 和 201 个 \r\n），其余六个文件是 LF（0 个 \r\n）。同一个仓库里换行风格不统一，这在写脚本按行处理时是会踩到的。

其二，字节数是对得上的：LICENSE 解码后纯文本 11,343 字节，加上 201 个 \r，正好是 11,544 字节；README.md 的 65,012 字节，也与 Hugging Face 元数据里记的 model card 体积一致。这是我们能做的最基本的一次核对——不是校验权重，只是确认取到的文本没缺没多。

本地没有的文件，本批任何文章都不描述其内容：tokenizer.json、merges.txt、vocab.json、model.safetensors.index.json、crc32.txt，以及全部 18 个分片。词表细节因此也核不了，tokenizer_config.json 里能查到的只有 added_tokens_decoder 的 33 条记录（id 是 248044–248076 的连续区间）。

四、反直觉的一处：model card 通篇不提 safetensors，也不提 crc32

我们用 Python 逐行检索 README.md 全文（65,012 字节、583 行），结果是：

  • safetensors：0 命中
  • crc32：0 命中
  • modelscope / ModelScope / huggingface：0 命中
  • download：全文只有 1 处命中，在 README.md:178，那是 Benchmark 表的脚注，说的是评测时禁用了 pip download 等命令，与「怎么下载这个模型」无关

也就是说，model card 里没有给出任何权重下载命令——没有 huggingface-cli download，没有 git lfs clone，也没有其它获取入口的命令。## Quickstart（README.md:225）的第一句写的是 For streamlined integration, we recommend using Qwen3.8 via APIs.（README.md:227），随后 ### Serving Qwen3.8（README.md:229-241）列了 SGLang、vLLM、TokenSpeed 三个框架各自的官方文档入口（README.md:238-240），再往下就直接进 #### Chat Completions API 的示例（README.md:270 起）了。

这只是照实描述文档结构：文件清单里躺着 18 个分片和一份校验清单，而 model card 从头到尾没有把它们当成读者要打交道的对象来讲。为什么这么安排，我们不推断。

顺带说一句 model card 顶部的 > [!Tip]（README.md:14-16）：它提到官方有一个名为 Qwen Cloud 的 API 服务，并写明 27B 的托管版本 The service is coming soon——服务尚未提供。同一句里出现的 1M context length by default 说的是那个托管版本的特性，不是这个开源权重仓的能力，别混到一起。

五、能核到的「组织方式」，都在配置侧

既然分片索引读不了，那在可核范围内，关于这个模型「怎么组织」的信息就只剩 config.json 这 140 行了。它描述的是结构，不是文件切分：

  • num_hidden_layers: 64（config.json:98），与 Model Overview 的 Number of Layers 64（README.md:40）一致；
  • text_config.layer_types 是一个长度 64 的字符串数组（config.json:21-86），我们用 Python 统计，linear_attention 出现 48 次，full_attention 出现 16 次，后者所在下标（0 起）为 3、7、11、15……63；同一份配置里另有 full_attention_interval: 4（config.json:15）；
  • 视觉侧的参数只在 vision_config（config.json:122-137）里，比如 depth: 27（config.json:124）、hidden_size: 1152（:126）、out_hidden_size: 5120（:133）——而 Model Overview（README.md:32-53）只在第 34 行用一句 Causal Language Model with Vision Encoder 带过，没有列出任何一条视觉编码器参数。

这些字段是「模型长什么样」，跟「权重被切成几片、每片放什么」不是一回事。config.json 的内容就是两块——text_config（config.json:8-118）与 vision_config（config.json:122-137），我们逐项记下来的字段全是结构与位置编码一类的参数，分片信息不在其中。至于 full_attention_interval、attn_output_gate、mamba_ssm_dtype 这些字段具体如何影响推理，这是权重仓、不含建模代码，我们没有源码可读，因此只登记字面值，不作解释。

六、顺手记下几处名字对不上的地方

翻文件的时候会撞见几处世代名不一致，都只并列陈述，不推断哪个是对的、也不据此评价什么：

  1. README 的一级标题是 # Qwen3.8-27B（README.md:7），而 config.json 的 model_type 是 qwen3_5（config.json:7），architectures 是 ["Qwen3_5ForConditionalGeneration"]（config.json:2-4）；README 自己在 README.md:20 写 Built on the architectural foundation of Qwen3.5。
  2. preprocessor_config.json 同一个文件里，processor_class 是 Qwen3VLProcessor，image_processor_type 是 Qwen2VLImageProcessorFast；video_preprocessor_config.json 的 video_processor_type 是 Qwen3VLVideoProcessor；tokenizer_config.json 的 tokenizer_class 是 Qwen2Tokenizer。
  3. config.json:120 的 transformers_version 值是 "5.8.0.dev0"，字面上是一个 dev 版本号；README 全文没有写最低 transformers 版本要求，关于 transformers 只有第 10、12 行的兼容性表述和 frontmatter 第 2 行的 library_name。
  4. README.md:575-581 的 bibtex 条目里，title 写的是 {Qwen3.8-Max}: A New Bar for Coding and Cowork，而本仓是 Qwen3.8-27B。

对文件组织这件事来说，第 2 条最实际：如果你要按类名去对照上游实现，仓库里这四处字面值是不一样的，照抄哪个都得先看清是哪个文件里的。

七、想自己数一遍

上面这些统计不需要下载权重，只作用于文本文件。列清单与换行符的口径是：

python -c "
import os
files=sorted(os.listdir('.'))
print('LOCAL FILE COUNT', len(files))
for f in files:
    b=open(f,'rb').read()
    print(f, len(b), 'bytes,', b.count(b'\n')+1, 'lines, crlf=', b.count(b'\r\n'))
"

数 layer_types 的口径是：

python -c "
import io,json
from collections import Counter
c=json.load(io.open('config.json',encoding='utf-8'))
lt=c['text_config']['layer_types']
print('len', len(lt), Counter(lt))
print('full idx', [i for i,x in enumerate(lt) if x=='full_attention'])
"

两段都在放着这些文本文件的目录（<你存放模型仓文本文件的目录>）下执行，Windows 与 Linux/macOS 都是同一条 python -c，差别只在 shell 对引号的处理：上面这种写法在 Git Bash、PowerShell 与 bash 下的引号转义行为不同，如果报语法错，把脚本存成 .py 再跑最省事。这属于通用做法，不是该模型仓官方文档的内容。

最后重复一遍这篇的边界：文件清单可数，配置可读，字节数可核；而 18 个分片的内部、model.safetensors.index.json 的映射关系、crc32.txt 的校验值，我们一样都没有。谁要是在别处看到由「18 个分片」推出来的显存结论，先问一句那个数是从哪个文件读出来的。

延伸阅读

本文依据 Hugging Face 仓库 Qwen/Qwen3.8-27B 的 model card 与随仓配置文件 （config.json、generation_config.json、preprocessor_config.json、chat_template.jinja 等）整理， 核对日 2026-08-16，对应仓库快照 1d4bf0f。 本文内容为 model card 与配置文件口径，我们没有下载权重、没有部署、也没有推理过这个模型， 因此不涉及生成质量、推理速度与显存占用的任何描述；文中所有评测数字均为 model card 自述，我们没有复现。 模型仓库内容随上游更新而变动，请以官方最新说明为准。 许可条款请以官方 LICENSE 原文为准，本文不构成法律意见。

想系统学会用 AI？报名体系课或加入会员，照着学、照着用。

浏览课程 加入会员