Qwen3.6-27B: локальная LLM, которая догнала Opus-класс

У локальных моделей долго была понятная проблема. Они были либо удобными, но слабыми, либо сильными, но настолько тяжёлыми, что превращались в инфраструктурный проект сами по себе.

22 апреля 2026 года Qwen Team выпустила Qwen3.6-27B - и попала в редкую точку баланса. Это dense-модель на 27B параметров, которую можно запускать локально в quant-режимах, но по поведению она ближе к классу больших коммерческих моделей, чем к привычным «домашним» LLM.

Главная интрига не в том, что модель «большая». Наоборот, она интересна именно тем, что остаётся достаточно компактной для локального запуска и при этом в ряде задач выходит на уровень Opus-класса. Не как полная замена Claude Opus 4.6 во всём, а как рабочий локальный инструмент, который уже можно ставить рядом с закрытыми моделями в реальных инженерных сценариях.

Материал основан на официальном блоге Qwen Team (апрель 2026), Hugging Face карточке модели, данных Artificial Analysis, LLMReference, обсуждениях LocalLLaMA и практических запусках через LM Studio, llama.cpp, OpenCode, OpenClaw, vLLM и SGLang.

64 слоя трансформера построены по формуле 3×(Gated DeltaNet → FFN) + 1×(Gated Attention → FFN). Три четверти sublayer-ов используют линейное внимание Gated DeltaNet, каждый четвёртый - классическое Gated Attention с уменьшенным числом KV-голов для сжатия кэша.

На практике это означает, что модель не попадает в «speed cliff» на длинном контексте, характерный для чистого self-attention. Токены за 64K обрабатываются без резкого падения скорости.

В агентном цикле модель обычно вызывает инструменты, читает результат и делает новый вызов. При каждом вызове контекст пересобирается. До Qwen3.6 это означало потерю цепочки рассуждений при смене роли. Флаг preserve_thinking сохраняет reasoning trace предыдущих шагов - модель не тратит токены на повторный вывод того, что уже обдумала.

Ключевой рисунок: 27B dense обходит 397B MoE-флагман по всем agentic coding бенчмаркам и сравнивается с Claude Opus на Terminal-Bench. Это не «модель выиграла всё подряд», а стабильное присутствие рядом с моделями, которые закрыты, требуют облака и недоступны для on-premise.

На NL2Repo модель получает 36.2 при оценке через Claude Code (900 ходов). QwenWebBench - 1487 (внутренний бенчмарк на фронтенд-генерацию, билингвальный, 7 категорий, auto-render + multimodal judge).

Claude Opus 4.6 остаётся более зрелой закрытой моделью: сильнее enterprise-инфраструктура, шире managed-экосистема, гарантированное поведение в сложных сценариях. Если нужен максимум надёжности без самостоятельной инфраструктуры - Opus всё ещё логичный выбор.

Но Qwen3.6-27B уже уверенно соревнуется в задачах, где раньше локальные модели выглядели компромиссом: agentic coding, фронтенд-генерация, работа с репозиториями, tool-use, мультимодальность и автономные циклы разработки.

Смысл не в том, что Qwen «уничтожила» Opus. Смысл в другом: 27B локальная модель стала достаточно сильной, чтобы во многих инженерных задачах вопрос звучал не «можно ли заменить облако», а «какие задачи рационально оставить локально».

VRAM и скорость

Qwen3.6-27B - локальная модель, но это не значит, что её можно запустить на чём угодно.

• Q4_K_M: ~20 GB VRAM. Минимальный порог для RTX 3090/4090 (24 GB). 40+ tok/s на RTX 4090.
• Q5_K_M: ~24 GB. Рекомендуемый баланс качество/скорость для 24 GB карт.
• Q6_K: ~28 GB. Нужна карта с 32+ GB или dual GPU.
• Q8_0 / FP8: ~35 - 40 GB. Максимальное качество, требует 48 GB (A6000, L40S, dual 4090).
• BF16: ~54 GB. Полная точность, multi-GPU или Apple Silicon с unified memory.

Официальный FP8-чекапоинт от Qwen Team - рекомендуемый путь при tight VRAM. Но quant-ы могут ломать JSON tool grammar - обязательно валидируйте на своём eval.

На Mac: Apple Silicon с unified memory (M2 Ultra 76 GB, M3 Max) - комфортный запуск через MLX или llama.cpp. 15 - 30 tok/s в зависимости от чипа и quant.

Где модель ломается

Слабые места честные и их лучше знать заранее:

• Игровая логика: Pac-Man - визуально хороший лабиринт, но призраки стоят, управление нестабильно. Змейка - красивая графика, сломанный game over.
• Blender API: по фото велосипеда генерирует скрипт, но на выходе хаотичный набор примитивов. Узкие процедурные API - слабая зона.
• Потеря размерности: просьба «сделай игру про скейтбордиста в 3D» - хороший прототип, но оставила его плоским 2D.
• 4-bit quant: на сложных reasoning-задачах качество может заметно просесть.
• Многословность: иногда модель выдаёт больше текста, чем нужно.

Это не критические недостатки, а границы применимости. Модель нужно тестировать на своих задачах, а не на одном ролике.

Production-сервер

Для нескольких пользователей подход другой: vLLM или SGLang, мониторинг, очереди, KV-cache management, расчёт latency/throughput под реальные запросы. В российских реалиях - ещё и поставки, гарантия, охлаждение, сервис consumer GPU. Мы разбирали эту практику в статье Локальная LLM в России: как собрать рабочий сервер на consumer GPU.