Qwen3.8-27B: Multimodales 27B-Modell mit Hybrid-Architektur und Denkmodus

LinkQwenSammlung

Das Qwen-Team hat mit Qwen3.8-27B ein kompaktes, dichtes Vision-Language-Modell unter der Apache-2.0-Lizenz veröffentlicht. Das 27-Milliarden-Parameter-Modell kombiniert Gated DeltaNet mit regulärer Attention, versteht Bilder sowie Videos und bietet flexible Steuerungsmöglichkeiten für Denkprozesse.

Das Wichtigste

  1. Hybrid-Architektur mit 27 Milliarden Parametern über 64 Layer, aufgeteilt in Gated-DeltaNet- und Gated-Attention-Schichten sowie Multi-Token Prediction (MTP).
  2. Unterstützt nativen Kontext von 262.144 Tokens, erweiterbar auf bis zu 1.000.000 Tokens.
  3. Denkmodus (Thinking Mode) ist standardmäßig aktiv, lässt sich pro Anfrage abschalten, per reasoning_effort steuern und via preserve_thinking im Verlauf beibehalten.
  4. Breite Tool-Kompatibilität für lokales Serving und Deployment via Hugging Face Transformers, vLLM, SGLang und Docker.
  5. Gute Benchmark-Ergebnisse in agentenbasiertem Coding (SWE-bench Pro 61,7 %) und visueller Computerbedienung (OSWorld-Verified 84,3 %).

Warum das relevant ist

Mit 27 Milliarden Parametern bleibt das Modell auf lokaler oder kostengünstiger Server-Hardware betreibbar. Die Kombination aus langen Kontextfenstern, nativer Videoverarbeitung und feingranular steuerbarem Denkmodus bietet Open-Source-Entwicklern eine starke Basis für Coding-Assistenten und autonome Agenten.

Einordnung

Qwen3.8 setzt architektonisch auf eine Mischung aus linearen Aufmerksamkeitsmechanismen (Gated DeltaNet) und Gated Attention. Dieser Aufbau zielt darauf ab, auch bei sehr langen Sequenzen von bis zu einer Million Tokens effizient zu bleiben. Auffällig ist der Fokus auf agentische Workflows: Benchmarks wie OSWorld, SWE-bench Pro und WebArena stehen im Mittelpunkt der Auswertung. Entwickler erhalten zudem über spezifische API-Parameter wie reasoning_effort und preserve_thinking präzise Kontrolle über den Reasoning-Aufwand, ohne auf feste Systemvorgaben beschränkt zu sein.

Erwähnte Links

Gefunden in

Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.

Ähnliche Einträge

Inhaltlich ähnlich, ermittelt über die KI-Suche.

  • Link:Unsloth AI

    Unsloth veröffentlicht Dynamic-V3.0-GGUF-Quantisierungen für Qwen3.8-27B

    Unsloth AI hat quantisierte GGUF-Versionen des neuen Modells Qwen3.8-27B unter der Apache-2.0-Lizenz bereitgestellt. Die Quantisierungen nutzen das neue Verfahren Dynamic V3.0, das gegenüber anderen Anbietern eine höhere Genauigkeit bei gleicher Dateigröße erzielen soll. Qwen3.8-27B ist ein 27 Milliarden Parameter starkes Vision-Language-Modell mit nativer Bild- und Videoverarbeitung, hybridem DeltaNet- und Attention-Aufbau sowie flexibler Steuerung von Denkprozessen.

    KI & AI· Tool

  • Link:Unsloth AI

    Unsloth veröffentlicht Qwen3.6-27B-MTP im GGUF-Format

    Unsloth AI stellt mit Qwen3.6-27B-MTP-GGUF quantisierte Versionen des ersten Open-Weight-Modells aus der Qwen3.6-Reihe bereit. Das multimodale 27-Milliarden-Parameter-Modell nutzt Multi-Token Prediction (MTP) für schnellere Inferenz und bringt Verbesserungen bei Agentic Coding sowie Tool Calling mit.

    KI & AI· Sammlung

  • Link:OrcaRouter

    OrcaRouter veröffentlicht abliterierte FP8-Version von Qwen3.8-27B

    OrcaRouter hat eine modifizierte FP8-Version des multimodalen Modells Qwen3.8-27B auf Hugging Face bereitgestellt. Durch gezielte Abliteration wurde die interne Verweigerungsrichtung entfernt, um das Modell für Red-Teaming und Sicherheitsforschung ohne Schutzfilter nutzbar zu machen.

    KI & AI· Tool

  • Link:Empero AI

    Qwythos-27B-v1: Unzensiertes Open-Weight-Modell mit 1M Kontext und nativer Tool-Nutzung

    Empero AI veröffentlicht Qwythos-27B-v1, ein vollständiges Open-Weight-Reasoning-Modell auf Basis von Qwen3.5-27B. Der Checkpoint behält Multi-Token-Prediction (MTP), Vision-Fähigkeiten und ein auf über 1 Million Token erweitertes Kontextfenster bei und wurde gezielt für Terminal- und Agenten-Workflows optimiert.

    KI & AI· Sammlung

Zurück zur Wissensbasis

Lassen Sie uns über Ihr Projekt sprechen

Kontakt aufnehmen

Standorte

  • Mattersburg
    Johann Nepomuk Bergerstraße 7/2/14
    7210 Mattersburg, Austria
  • Wien
    Ungargasse 64-66/3/404
    1030 Wien, Austria

Dieser Inhalt wurde teilweise mithilfe von KI erstellt.