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.
| Наименование модели | Контекст | Тип | GPU | TPS | Tooling | Статус | Ссылка |
|---|---|---|---|---|---|---|---|
| cyankiwi/Qwen3.8-27B-AWQ-INT4 | 263K | Публичный | 2×A100 tensor |
127 | доступен | чат |
curl https://chat.immers.cloud/v1/endpoints/generate/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer USER_API_KEY" \
--data-binary @- <<"EOF"
{"model": "qwen3.8-27b", "messages": [
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": "Say this is a test"}
], "temperature": 0, "max_tokens": 150
}
EOF
$response = Invoke-WebRequest https://chat.immers.cloud/v1/endpoints/generate/chat/completions `
-Method POST `
-Headers @{
"Authorization" = "Bearer USER_API_KEY"
"Content-Type" = "application/json; charset=utf-8"
} `
-Body ([System.Text.Encoding]::UTF8.GetBytes((@{
model = "qwen3.8-27b"
messages = @(
@{ role = "system"; content = "You are a helpful assistant." },
@{ role = "user"; content = "Say this is a test" })
} | ConvertTo-Json -Depth 10)))
([System.Text.Encoding]::UTF8.GetString($response.RawContentStream.ToArray()) | ConvertFrom-Json).choices[0].message.content
#!pip install OpenAI --upgrade
from openai import OpenAI
client = OpenAI(
api_key="USER_API_KEY",
base_url="https://chat.immers.cloud/v1/endpoints/generate/",
)
chat_response = client.chat.completions.create(
model="qwen3.8-27b",
messages=[
{"role": "system", "content": "You are a helpful assistant."},
{"role": "user", "content": "Say this is a test"},
]
)
print(chat_response.choices[0].message.content)
# linux
export ANTHROPIC_BASE_URL=https://chat.immers.cloud/v1/endpoints/generate/
export ANTHROPIC_API_KEY=USER_API_KEY
export ANTHROPIC_MODEL=qwen3.8-27b
# windows (ps)
[Environment]::SetEnvironmentVariable("ANTHROPIC_BASE_URL", "https://chat.immers.cloud/v1/endpoints/generate/", "User")
[Environment]::SetEnvironmentVariable("ANTHROPIC_AUTH_TOKEN", "USER_API_KEY", "User")
[Environment]::SetEnvironmentVariable("ANTHROPIC_MODEL", "qwen3.8-27b", "User")
# linux
export OPENAI_BASE_URL=https://chat.immers.cloud/v1/endpoints/generate/
export OPENAI_API_KEY=USER_API_KEY
export OPENAI_MODEL=qwen3.8-27b
# windows (ps)
[Environment]::SetEnvironmentVariable("OPENAI_BASE_URL", "https://chat.immers.cloud/v1/endpoints/generate/", "User")
[Environment]::SetEnvironmentVariable("OPENAI_API_KEY", "USER_API_KEY", "User")
[Environment]::SetEnvironmentVariable("OPENAI_MODEL", "qwen3.8-27b", "User")
Арендуйте собственный физически выделенный инстанс с почасовой оплатой или на длительный срок с помесячной оплатой.
Мы рекомендуем создание частных инстансов в случаях, если необходимо:
| Наименование | GPU | TPS | Параллельность (макс.) | |||
|---|---|---|---|---|---|---|
262 144 |
1 | 341,77 ₽ | 72.42 | 5,94 | Запустить | |
262 144 |
1 | 367,41 ₽ | 122.00 | 7,52 | Запустить | |
262 144 |
1 | 423,04 ₽ | 12,78 | Запустить | ||
262 144 tensor |
2 | 261,77 ₽ | 121.33 | 3,55 | Запустить | |
262 144 tensor |
2 | 839,97 ₽ | 28,42 | Запустить | ||
262 144 tensor |
4 | 321,77 ₽ | 102.29 | 6,11 | Запустить | |
| Наименование | GPU | TPS | Параллельность (макс.) | |||
|---|---|---|---|---|---|---|
262 144 |
1 | 211,77 ₽ | 46.81 | 2,52 | Запустить | |
262 144 |
1 | 341,77 ₽ | 54.33 | 2,55 | Запустить | |
262 144 |
1 | 367,41 ₽ | 84.55 | 3,35 | Запустить | |
262 144 |
1 | 423,04 ₽ | 6,00 | Запустить | ||
262 144 tensor |
2 | 411,81 ₽ | 6,91 | Запустить | ||
262 144 tensor |
2 | 839,97 ₽ | 13,84 | Запустить | ||
262 144 pipeline |
3 | 119,81 ₽ | 1,29 | Запустить | ||
262 144 tensor |
4 | 139,96 ₽ | 2,62 | Запустить | ||
262 144 tensor |
4 | 257,77 ₽ | 69.20 | 2,84 | Запустить | |
262 144 tensor |
4 | 321,77 ₽ | 49.16 | 2,54 | Запустить | |
262 144 tensor |
4 | 269,04 ₽ | 2,84 | Запустить | ||
262 144 pipeline |
6 | 147,44 ₽ | 1,80 | Запустить | ||
| Наименование | GPU | TPS | Параллельность (макс.) | |||
|---|---|---|---|---|---|---|
262 144 |
1 | 367,41 ₽ | 51.81 | 1,96 | Запустить | |
262 144 |
1 | 223,04 ₽ | 40.00 | 1,17 | Запустить | |
262 144 |
1 | 423,04 ₽ | 4,61 | Запустить | ||
262 144 |
1 | 353,04 ₽ | 31.79 | 1,17 | Запустить | |
262 144 tensor |
2 | 411,81 ₽ | 46.21 | 5,47 | Запустить | |
262 144 tensor |
2 | 839,97 ₽ | 12,46 | Запустить | ||
262 144 pipeline |
3 | 387,41 ₽ | 1,38 | Запустить | ||
262 144 tensor |
4 | 264,96 ₽ | 50.27 | 1,50 | Запустить | |
262 144 tensor |
4 | 328,96 ₽ | 54.28 | 1,45 | Запустить | |
262 144 tensor |
4 | 156,24 ₽ | 1,25 | Запустить | ||
262 144 tensor |
4 | 513,04 ₽ | 3,28 | Запустить | ||
262 144 tensor |
4 | 269,04 ₽ | 1,50 | Запустить | ||
Свяжитесь с нашей специализированной группой поддержки по нейросетям support@immers.cloud или отправьте ваш запрос в отдел продаж sale@immers.cloud.