Qwen3.8-27B

Qwen3.8-27B — флагманская компактная плотная (dense) мультимодальная языковая модель новой линейки семейства Qwen, способная эффективно работать с текстом, изображениями и видео. Несмотря на относительно небольшой размер, модель демонстрирует результаты, сопоставимые с гораздо более крупными закрытыми и открытыми фронтирными системами, что делает её одним из лучших кандидатов для развёртывания в приватной инфраструктуре.

В Qwen3.8-27B режим размышления (thinking mode) включён по умолчанию, но допускается его отключение для ускорения ответов. Глубина рассуждений гибко регулируется параметром `reasoning_effort` с тремя уровнями — `xhigh` (по умолчанию, для сложного анализа), `medium` (баланс) и `low` (скорость). Также реализован механизм `preserve_thinking`, сохраняющий цепочку рассуждений между этапами диалога, что критично для многошаговых агентных сценариев и повторного использования KV-кэша. Модель поддерживает Multi-Token Prediction (MTP) для ускорения генерации.

Архитектура Qwen3.8-27B сохраняет гибридную структуру, заложенную ещё в Qwen3.5: 64 слоя, организованных в 16 повторяющихся блоков, каждый из которых содержит три блока с Gated DeltaNet и один блок с Gated Attention. Gated DeltaNet представляет собой эффективную линейную архитектуру внимания, которая обеспечивает высокую пропускную способность при обработке длинных контекстов. Gated Attention это полное внимание, которое отвечает за установление важных зависимостей в данных и сохранение общего глобального понимания. Такое чередование позволяет модели эффективно обрабатывать последовательности длиной до 262 144 токенов нативно с возможностью расширения до 1 000 000 токенов.

Ключевая инновация Qwen3.8-27B — это не столько изменение архитектуры (она осталась преемственной по отношению к Qwen3.5), сколько масштабное пост-обучение, которое обеспечило значительный скачок в показателях по программированию, профессиональным задачам, исследовательской работе и длительным агентным сценариям. Успех модели во многом обусловлен общим конвейером пост-обучения со старшей моделью линейки — 2.4-триллионной Qwen3.8-2.4T-A95B: обе модели прошли масштабированное обучение с подкреплением (Scalable RL) в «миллионных агентных средах» с постепенно усложняющимися задачами, что позволило «младшей» 27-миллиардной модели перенять навыки долгосрочного планирования, использования внешних инструментов (Tool Use) и самокоррекции, обычно доступные только триллионным гигантам. Как результат по сравнению с Qwen3.6-27B модель демонстрирует существенный прогресс практически по всем ключевым бенчмаркам: на агентном кодинге SWE-bench Pro она набирает 61.7% против 53.5%, на терминальном кодинге Terminal Bench 2.1 — 73.0% против 63.4%, на специализированном инженерном бенчмарке QwenSWEBench — 79.0% против 49.3%, в профессиональных задачах JobBench — 33.4% против 21.8%, а в длительных офисных сценариях CoWorkBench — 70.7% против 61.0%.

Благодаря сочетанию передовых агентных способностей, мультимодальности и длинного контекста, Qwen3.8-27B открывает широкие возможности для применения. В агентных системах и автоматизации модель подходит для создания ИИ-агентов, способных автономно планировать и выполнять сложные многошаговые задачи — от управления терминалом и веб-браузером до работы с мобильными приложениями и настольными средами. В разработке программного обеспечения выдающиеся результаты на SWE-bench Pro и LiveCodeBench делают её отличным выбором для автодополнения кода, рефакторинга, генерации репозиториев и других задач software engineering. Для научных исследований и профессиональной работы высокие показатели на GPQA Diamond и JobBench позволяют использовать модель для анализа научной литературы, решения сложных задач в юриспруденции, финансах, медицине и других областях. Нативная поддержка изображений и видео открывает возможности для мультимодальных приложений — анализа диаграмм, документов, длительных видео, визуальной разработки веб-интерфейсов и других задач на стыке текста и визуальной информации. Модель выпущена под лицензией Apache 2.0 и легко интегрируется в существующий стек через поддержку популярных фреймворков Transformers, vLLM, SGLang, TokenSpeed.

Дата анонса: 05.08.2026
Параметров: 28B
Контекст: 263K
Слоев: 64, с полным вниманием: 16
Тип внимания: Hybrid Attention
Тип Mamba: Gated Delta Net
Разработчик: Qwen
Версия Transformers: 5.8.0.dev0
Версия vLLM: >=0.17.0
Лицензия: Apache 2.0

Воспользуйтесь нашими готовыми публичными эндпоинтами бесплатно для теста инференса и знакомства с Qwen3.8-27B. Получить токен для доступа к API вы можете на странице управления токенами после регистрации и верификации.

Арендуйте собственный физически выделенный инстанс с почасовой оплатой или на длительный срок с помесячной оплатой.

Мы рекомендуем создание частных инстансов в случаях, если необходимо:

• получить максимальную производительность эндпоинта,
• получить полный контекст для обработки больших запросов и диалогов,
• обеспечить максимальную безопасность, для обработки данных в выделенном изолированном пространстве,
• использовать кастомизированные веса: fine-tuned версии или lora-адаптеры.

Свяжитесь с нашей специализированной группой поддержки по нейросетям support@immers.cloud или отправьте ваш запрос в отдел продаж sale@immers.cloud.