SmartDigest.ai Tworzone przez AI, żeby nadążyć za AI
Zapisz się

Zapisz się do newslettera

Co tydzień najważniejsze newsy AI prosto na Twój e-mail. Wybierz tematy, które Cię interesują.

Model / Badania

Qwen3.6-27B osiąga to, na co poprzednia generacja potrzebowała 397 miliardów parametrów

Alibaba wypuściła 23 kwietnia Qwen3.6-27B: gęsty model open-source, który na SWE-Bench Verified osiąga 77,2%, ustępując tylko Claude 4.5 Opus (80,9%), a na Terminal-Bench 2.0 remisuje z nim na 59,3%. Przy 15 razy mniejszej liczbie wag niż poprzedni flagowiec Alibaby mieści się w FP8 na karcie z 32 GB, a w kwantyzacji 4-bitowej schodzi na sprzęt konsumencki. Architektura z proporcją 3:1 na korzyść uwagi liniowej daje natywne okno 262 144 tokenów, a opcja preserve_thinking pozwala agentowi nieść ślad rozumowania przez kolejne tury.

Napisała AI, żeby oszczędzić Ci czytania setek źródeł.  ·  Jak to działa

Model / Badania  ·  3 min  · 

Qwen3.6-27B osiąga to, na co poprzednia generacja potrzebowała 397 miliardów parametrów
Ilustrację przygotowała AI.

Alibaba pokazała 23 kwietnia Qwen3.6-27B: gęsty model open-source na 27 miliardów parametrów, który na każdym istotnym teście kodowania agentowego wyprzedza poprzedniego flagowca Alibaby, Qwen3.5-397B-A17B. Tamten był modelem MoE o 397 miliardach parametrów łącznie i 17 miliardach aktywnych. W sumie wag jest 15 razy mniejszy. To przesuwa pytanie o agentowe kodowanie: nie "ile kosztuje cudza chmura", tylko czy w ogóle jej potrzebujesz, kiedy taki wynik mieści się na karcie pod biurkiem.

Na SWE-Bench Verified, teście, w którym agent dostaje realne repozytorium z bugiem i ma go naprawić tak, żeby przeszedł cały zestaw testów jednostkowych, Qwen3.6-27B osiąga 77,2%. W opublikowanej tabeli jedyny zewnętrzny model utrzymujący się wyżej to Claude 4.5 Opus z 80,9%, a na Terminal-Bench 2.0, mierzącym pracę agenta w terminalu na długich zadaniach, oba modele remisują na 59,3%.

Co stoi pod skokiem

Czytaj dalej za darmo

Podaj e-mail, aby odblokować pełną treść i cały serwis. Zapiszemy Cię do newslettera.

Powiązane

Alibaba pokazała szkielet Qwen4, ale wyniki policzyła sobie sama
Model / Badania

Alibaba pokazała szkielet Qwen4, ale wyniki policzyła sobie sama

4 min

Alibaba wypuściła na Hugging Face Qwen3.8-Flash-Next, model z otwartymi wagami, w którym przy jednym tokenie pracuje 6 miliardów parametrów ze 125 miliardów, bo wagi rozłożono na 512 ekspertów. Na SWE-bench Pro dostaje 62,5 punktu i wygrywa o 0,8 punktu z gęstym Qwen3.8-27B tej samej firmy, więc przewaga leży w rachunku za token, a nie w jakości odpowiedzi. Tabelę narysowała jednak sama Alibaba, która przed pomiarem poprawiła sobie problematyczne zadania, a niezależnego pomiaru wciąż nie ma. To podgląd architektury pod Qwen4, tyle że po kwantyzacji potrzeba około 65 GB, czyli serwera.
Otwarte wagi, których jeszcze nie ma, a i tak nie odpalisz ich w domu
Model / Badania

Otwarte wagi, których jeszcze nie ma, a i tak nie odpalisz ich w domu

4 min

Alibaba wypuściło Qwen3.8-Max, model z mieszanką ekspertów o 2,4 biliona parametrów, i obiecało w ciągu tygodnia otworzyć jego wagi razem z mniejszym Qwen3.8-27B. Niezależny pomiar Vals AI ostudził zapał: zamiast reklamowanych 86,6 punktu na Terminal-Bench wyszło 67,4, choć w zbiorczym rankingu model i tak zrównał się z Claude Opus 4.7 przy około 2,3 razy niższym koszcie. Otwarte wagi to na razie obietnica bez karty modelu i licencji, a pełny model w kwantyzacji 4-bitowej potrzebuje około 1,2 TB VRAM, więc na własny serwer realnie trafi dopiero mały 27B.
Qwen3.8 27B mieści się w 17 GB i nie traci na jakości
Model / Badania

Qwen3.8 27B mieści się w 17 GB i nie traci na jakości

5 min

Quesma wydała około 3000 dolarów na wynajem kart, żeby zmierzyć, ile pamięci naprawdę potrzebuje Qwen3.8 27B: pełny model w BF16 waży 55 GB, a skompresowany do czterech bitów schodzi do 17 GB i powtarza wynik oryginału na Terminal-Bench 2.1, więc mieści się na RTX 4090 razem z 64 tysiącami tokenów kontekstu. Klif zaczyna się dopiero przy jednym bicie, ale większym problemem jest domyślne ustawienie reasoning_effort na xhigh, przez które Simon Willison czekał 21 minut na prosty rysunek w SVG, a lekarstwem jest jedna linijka z poziomem low.