Qwen3.8-27B ist ein offenes Sprachmodell von Alibabas Qwen-Team und erschien am 14. August 2026. Als natives Vision-Language-Modell versteht es neben Text auch Bilder und Videos. Es ist ein dichtes Modell, nutzt also alle 27 Milliarden Parameter für jedes Token. Laut Model Card legt es gegenüber dem Vorgänger aus der Qwen3.6 Serie vor allem beim Coding und bei Agenten zu, etwa bei SWE-bench Pro von 53,5 auf 61,7.
Die Architektur kombiniert lineare Attention (Gated DeltaNet) mit klassischer Attention. Attention ist der Mechanismus, mit dem das Modell Bezüge im Kontext herstellt, die lineare Variante spart bei langen Texten Speicher. Das Modell steht unter Apache 2.0 und passt nach eigener Abschätzung auf einen einzelnen GPU-Server, etwa in unserer GPU Cloud. Parallel bietet Alibaba Qwen3.8-Flash-Next und das große Qwen3.8-2.4T-A95B an.
Qwen3.8-27B
Alibaba (Qwen-Team)
August 2026
Apache 2.0 (keine regionalen Einschränkungen)
Offenes Vision-Language-Modell (dicht), mit und ohne Denkphase nutzbar, Eingabe Text, Bild und Video, Ausgabe Text
27 Milliarden (dicht, laut Hugging-Face-Anzeige rund 28 Milliarden inklusive Vision-Encoder und MTP-Modul)
64 Schichten im Muster 16 × (3 × Gated DeltaNet mit FFN, 1 × Gated Attention mit FFN), hybride Attention aus linearer und klassischer Attention, Multi-Token Prediction, integrierter Vision-Encoder mit 27 Schichten
262.144 Token nativ, per YaRN auf bis zu 1.000.000 Token erweiterbar
Das Hauptrepository auf Hugging Face enthält die Gewichte im Format BF16 mit 16 Bit je Parameter, rund 55,6 GB. Über Alibaba Cloud Model Studio ist das Modell zudem als API mit der Kennung qwen3.8-27b verfügbar.
Die offizielle FP8-Fassung mit überwiegend 8 Bit je Parameter belegt rund 30,9 GB. Laut Model Card liegen die Ergebnisse nahezu gleichauf mit dem Originalmodell.
Qwen3.8-Flash-Next ist ein Mixture-of-Experts-Modell mit 125 Milliarden Parametern, davon 6 Milliarden aktiv je Token, und liegt laut den Benchmarks seiner Model Card bei Coding und Agenten vorn. Qwen3.8-2.4T-A95B ist mit 2,4 Billionen Parametern, davon 95 Milliarden aktiv, das größte offene Modell der Serie.
Das dichte Vorgängermodell aus der Qwen3.6 Serie erschien im April 2026. Qwen3.8-27B übertrifft es in allen Tests der Model Card.
| Benchmark | Qwen3.8-27B | Qwen3.6-27B | Qwen3.7-Plus | Muse Glimmer-30B | Claude Opus 4.6 Max |
|---|---|---|---|---|---|
| Terminal Bench 2.1 (Terminus) | 73,0 | 63,4 | 64,0 | 51,7 | 78,2 |
| SWE-bench Pro | 61,7 | 53,5 | 57,6 | 51,2 | 53,4 |
| IFBench | 79,5 | 69,1 | 79,1 | 77,0 | 62,5 |
| GPQA Diamond | 89,2 | 87,8 | 90,3 | 83,5 | 91,3 |
| Humanity’s Last Exam | 30,8 | 24,0 | 34,7 | 22,0 | 40,0 |
| OSWorld-Verified | 84,3 | 63,9 | 73,3 | 65,9 | 72,7 |
| OmniDocBench 1.5 | 91,1 | 89,4 | 91,4 | 75,8 | 86,6 |
Quelle: offizielle Model Card von Qwen3.8-27B auf Hugging Face (Qwen-Team, August 2026). Angaben in Prozent. Terminal Bench 2.1 mit dem Harness Terminus, SWE-bench Pro für Opus 4.6 mit offiziell veröffentlichtem Wert, HLE mit GPT-4o als Bewerter. Tests ohne Werte für alle Vergleichsmodelle, etwa LiveCodeBench v6 (90,3) und AndroidWorld (81,9), fehlen. Die Model Card von Qwen3.8-Flash-Next nennt für Qwen3.7-Plus bei SWE-bench Pro abweichend 55,8.
Qwen3.8-27B verbindet Bildverständnis und starke Agenten-Leistung mit geringem Hardware-Bedarf. Wir prüfen mit Ihnen, ob es für Ihre Anwendungen ausreicht oder ob ein größeres Modell sinnvoller ist.
Qwen3.8-27B baut laut Model Card auf der Architektur von Qwen3.5 auf und wurde in Pre-Training und Post-Training trainiert, zusätzlich mit Multi-Token Prediction. Angaben zu Umfang und Zusammensetzung der Trainingsdaten macht das Qwen-Team nicht.
Im Standardmodus erzeugt das Modell vor der Antwort eine Denkphase. Die Tiefe steuern Sie über die Stufen low, medium und xhigh, Standard ist xhigh. Mit enable_thinking=False antwortet es direkt ohne Denkphase. Preserved Thinking behält frühere Denkblöcke im Gesprächsverlauf und ist standardmäßig aktiv.
Qwen3.8-27B eignet sich für Coding, Agenten und Dokumentanalyse, wenn das Modell auf eigener Hardware mit überschaubarem Aufwand laufen soll. Für anspruchsvollere Agenten-Aufgaben sind Qwen3.8-Flash-Next oder Qwen3.8-2.4T-A95B die stärkere Wahl. Welches Modell zu Ihrem Vorhaben passt, klären wir gern in einer KI-Beratung.
Deutlich besser als der Vorgänger: In allen Tests der Model Card liegt Qwen3.8-27B vor Qwen3.6-27B, bei OSWorld-Verified mit 84,3 gegenüber 63,9.
Stark bei Agenten und Coding: Bei SWE-bench Pro, OSWorld-Verified und IFBench erreicht es den höchsten Wert der Vergleichstabelle.
Geringer Hardware-Bedarf: Die FP8-Fassung belegt rund 31 GB und läuft nach eigener Abschätzung auf einer einzelnen GPU.
Bild- und Videoverständnis: Text, Bilder und Videos verarbeitet ein einziges Modell.
Kommerziell frei nutzbar: Apache 2.0 ohne regionale Einschränkungen.
Hinter Claude Opus 4.6 in einigen Tests: Bei Terminal Bench 2.1, GPQA Diamond und Humanity’s Last Exam liegt Opus 4.6 Max laut Model Card vorn.
Teils hinter Qwen3.7-Plus: Bei GPQA Diamond, Humanity’s Last Exam, CharXiv und OmniDocBench 1.5 erzielt Qwen3.7-Plus laut Model Card höhere Werte.
Schwächer als Qwen3.8-Flash-Next: Laut dessen Model Card erreicht Qwen3.8-Flash-Next etwa bei DeepSWE 1.1 58,7 statt 42,2.
Kein langer Kontext ohne Anpassung: Über 262.144 Token hinaus ist eine YaRN-Konfiguration nötig.
Wir stellen die passende GPU-Infrastruktur für Qwen3.8-27B bereit, in unserer GPU Cloud oder in Ihrem eigenen Setup in unserem Rechenzentrum. Über unseren MaaS Proxy binden Sie das Modell zentral und kontrolliert in Ihre Anwendungen ein.
Das Qwen-Team nennt keine Mindestausstattung. Nach unserer Abschätzung belegen die FP8-Gewichte rund 31 GB und die BF16-Gewichte rund 56 GB. Hinzu kommt Speicher für den KV-Cache, also den Zwischenspeicher für den bisherigen Kontext.
Ja. Das Modell steht unter Apache 2.0 und darf ohne regionale Einschränkungen kommerziell genutzt, angepasst und weitergegeben werden. Die Lizenz verlangt unter anderem, den Lizenztext und Hinweise auf Änderungen mitzuliefern.
Ja. Es ist ein natives Vision-Language-Modell, verarbeitet also Text, Bilder und Videos in einem Modell. Laut Model Card eignet es sich auch für Videos im Stundenbereich.
Qwen3.8-27B ist ein dichtes Modell mit 27 Milliarden Parametern. Qwen3.8-Flash-Next ist ein Mixture-of-Experts-Modell, das je Token nur einen Teil seiner 125 Milliarden Parameter aktiviert. Es erzielt in fast allen Tests seiner Model Card höhere Werte, braucht aber mehr Speicher.
Nativ 262.144 Token. Mit der Erweiterungsmethode YaRN lässt sich der Kontext laut Model Card auf bis zu 1.000.000 Token ausdehnen.
Möchten Sie individuell beraten werden?
Unsere KI-Experten sind für Sie da!
