Qwen3.8-27B: бенчмарки уровня Opus 4.6 Max в dense-модели на 27B

3 августа 2026 Alibaba выпустила флагман поколения, Qwen3.8-Max: MoE-модель на 2,4 трлн параметров (95B активных) с контекстом в 1 млн токенов. Чуть больше недели спустя, 14 августа, команда опубликовала Qwen3.8-27B, компактную версию того же поколения: плотную модель без MoE-экспертов, рассчитанную на развёртывание на рабочих станциях и средних серверх.

Почему релиз важен для локальных LLM:

• Шаг, а не патч. Между Qwen3.6-27B (май 2026) и Qwen3.8-27B агентное кодирование выросло с 13.3 до 42.2 на DeepSWE 1.1, а computer use - с 63.9 до 84.3 на OSWorld-Verified. Это не итерация, а смена класса.
• Первая мультимодальная компактная Qwen. Встроенный vision-энкодер принимает изображения и видео, в том числе многочасовые: скриншоты, чертежи, документы, записи с камер. Для мультимодальных агентных сценариев не нужен отдельный стек.
• Управление мышлением. Три уровня reasoning_effort (xhigh / medium / low) - прямой инструмент контроля соотношения цена/качество в production, о котором мы писали в разборе MTP-ускорения.

Против Opus 4.6 Max, ближайшего проприетарного ориентира в таблице вендора, Qwen3.8-27B выигрывает на прикладных агентных задачах:

• SWE-bench Pro: 61.7 против 53.4. Dense-модель на 27B опережает проприетарную frontier-модель на реальных инженерных задачах.
• OSWorld-Verified: 84.3 против 72.7. Computer use: модель работает с десктопной средой, приложениями, файлами.
• SWE-MM: 38.6 против 27.1 - мультимодальное программирование по скриншотам и визуальным спецификациям.
• CoWorkBench: 70.7 против 68.2, IFBench: 79.5 против 62.5, LiveCodeBench v6: 90.3 против 88.8.

Позади - общий интеллект и длинные сессии в терминале: HLE 30.8 против 40.0, GPQA Diamond 89.2 против 91.3, Terminal Bench 2.1 73.0 против 78.2, NL2Repo-Bench 42.3 против 47.6.

Инженерная интерпретация: для задач формата "агент с tool-use в вашей среде" (скриншоты, документы, терминал, browser) 27B-модель закрывает Opus-класс при цене инференса на порядок ниже. Для задач с глубоким абстрактным рассуждением (уровень HLE) она пока уступает и frontier-моделям, и Opus 4.6 Max. В продакшене это решается не выбором "одной лучшей модели", а маршрутизацией запросов: тяжёлые случаи - на большую модель, рутину - на 27B.

Qwen3.8-27B работает по умолчанию в thinking-режиме: сначала модель генерирует рассуждения, потом ответ. Мышление можно выключить на уровне запроса, глубину задаёт reasoning_effort:

• xhigh (по умолчанию) - сложные задачи, требующие тщательного анализа;
• medium - баланс точности и скорости;
• low - задержкочувствительные сценарии, оптимизация под стоимость.

Рекомендуемые параметры сэмплинга: в thinking-режиме - temperature 1.0, top_p 0.95, top_k 20; без мышления - temperature 0.7, top_p 0.80, presence_penalty 1.5.

Нестандартное предупреждение от вендора: в многошаговых агентных задачах снижение reasoning_effort не всегда сокращает общее время. Быстрый ход за ходом даёт поверхностный анализ, ошибки и повторы, итоговая задержка и расход токенов растут. В production мы держим профили effort по типам задач: xhigh для длинных агентных цепочек, low для классификации, извлечения и простых операций. Это один из главных рычагов себестоимости инференса на том же железе.

Три вещи делают Qwen3.8-27B интересной для закрытого контура.

Мультимодальные агенты без отдельного стека. Модель, которая видит изображения и видео, работает со скриншотами SCADA, чертежами, фото продукции, видеозаписями с камер объекта - вместе с tool-use через MCP. Для RAG по технической документации с таблицами, схемами и сканами это прямой апгрейд: документопонимание OmniDocBench 91.1 выше, чем у Opus 4.6 Max (86.6).

Длинные сессии. 262K нативного контекста (хостинговая версия Qwen Cloud анонсирована с 1M) хватает для многошаговых задач, где агент накапливает логи, файлы и промежуточные результаты, не теряя нити. preserve_thinking по умолчанию убирает деградацию качества на повторных ходах.

Управляемая стоимость. Профили reasoning_effort и безмыслящие low-запросы для рутинных операций позволяют на одном сервере закрыть шире круг задач, а расход токенов зависит от профиля, а не только от промпта.

Ограничения те же, что у любого открытого класса 27B: абстрактное рассуждение (HLE 30.8 против 40.0 у Opus 4.6 Max) и длинные сессии в терминале пока позади. Поэтому мы не рекомендуем модель по пресс-релизу: сначала собственный eval на ваших документах и сценариях, потом архитектура. Развёртываем модель на GPU заказчика - vLLM/SGLang, квантизация под VRAM, мониторинг Prometheus/Grafana/DCGM, интеграция с RAG и MCP - от пилота до промышленной эксплуатации.