Le laboratoire de recherche Qwen d'Alibaba a publié vendredi Qwen 3.8 27B, un grand modèle de langage sous licence Apache 2.0, compatible avec la vision, qui fonctionne sur un ordinateur portable aux spécifications raisonnables - et, selon les propres critères du laboratoire, surpasse non seulement son prédécesseur, mais aussi un modèle fermé qui figurait parmi les plus puissants de Qwen en mai dernier.
Cette version est devenue l'un des lancements de modèles les plus discutés du mois dans les cercles des développeurs. Une étude pratique publiée dimanche par Simon Willison, éminent chercheur indépendant et blogueur en IA, a fait la une de Hacker News avec des centaines de votes positifs, les lecteurs débattant des capacités du modèle et de sa configuration par défaut inhabituelle. Pour plus de contexte sur cette histoire, consultez notre actualités IA.
Quoi de neuf dans Qwen 3.8 27B
Le modèle est le dernier de la gamme de poids ouverts d'Alibaba, arrivant des semaines après la sortie du mélange d'experts Qwen 3.8 2.4T-A95B, beaucoup plus grand. Selon les références autodéclarées par Qwen, le modèle 27B présente des gains par rapport au Qwen 3.6 27B et au Qwen 3.7-Plus à poids fermé - un modèle qui, malgré son nom, était l'un des plus performants de Qwen, toutes tailles confondues, plus tôt cette année.
Le modèle prend en charge une longueur de contexte maximale de 262 144 jetons, gère les entrées de vision et est livré avec la prise en charge officielle d'un paramètre « reasoning_effort » qui ajuste la profondeur du raisonnement sur trois niveaux : « xhigh », « moyen » et « low ».
C'est ce premier paramètre — « xhigh », la valeur par défaut d'usine — qui est devenu le sujet de discussion de la version.
Le problème de la réflexion excessive
Willison, qui a testé le modèle sur un MacBook Pro de 128 Go et un NVIDIA DGX Spark en utilisant la version quantifiée Q4_K_M de 17 Go de LM Studio, a décrit la valeur par défaut comme produisant une « réflexion excessive spectaculaire ».
Dans un exemple frappant, il a demandé au modèle de dessiner un SVG représentant un pélican faisant du vélo. Avec l'effort de raisonnement par défaut « xhigh », le modèle a dépensé 22 276 jetons de raisonnement pour produire 3 223 jetons de sortie — un processus qui a pris 21 minutes sur son matériel. Le résultat, a-t-il noté, est "de loin le meilleur SVG pélican" qu'il a pu générer avec un modèle qui fonctionne localement, avec une géométrie de vélo correcte, des jambes des deux côtés du cadre et un arrière-plan illustré de bon goût.
Le compromis est évident : 21 minutes constituent une attente peu pratique pour la plupart des tâches. La réexécution de la même invite avec le raisonnement désactivé a produit une réponse en 137 secondes – moins d’un dixième du temps – avec une durée de sortie similaire.
Même des invites trivialement simples déclenchent le comportement. Lorsqu'on lui a demandé de "dessiner le contour d'un cercle", le raisonnement du modèle s'est ouvert grâce aux options de la palette de pesée, au style Bauhaus, aux anneaux superposés et aux approches d'animation - plusieurs minutes de délibération pour une forme qui nécessite une seule balise XML.
Verdict de Willison : le modèle est excellent, mais la configuration par défaut n'est « absolument pas un bon moyen d'exécuter le modèle, en particulier sur du matériel grand public ». Les utilisateurs peuvent passer à un effort de raisonnement « moyen » ou « faible », ou désactiver complètement la réflexion étendue.
L'élan de l'IA locale
Cette version souligne la rapidité avec laquelle l'écart de capacités entre les modèles cloud frontières et les modèles ouverts exécutables localement s'est réduit. Un fichier de 17 Go exécuté sur un ordinateur portable produit désormais des résultats qui, dans des tâches créatives spécifiques, rivalisent avec ceux qui nécessitaient il n'y a pas si longtemps des modèles à l'échelle des centres de données.
Il poursuit également la dynamique des laboratoires chinois en matière de pondération ouverte qui a défini 2026. La famille Qwen d'Alibaba figure parmi les gammes de modèles les plus téléchargées au monde cette année, rivalisant avec les versions de Meta, DeepSeek et Moonshot AI pour l'esprit des développeurs. Les résultats de référence indépendants pour Qwen 3.8 27B s'accumulent encore, et Willison a explicitement averti que les chiffres auto-déclarés par le laboratoire attendent une vérification par un tiers.
Guide pratique pour les utilisateurs
Pour les développeurs et les passionnés qui envisagent le modèle, le consensus émergeant des premiers tests est simple : Qwen 3.8 27B est un choix par défaut solide pour les charges de travail d'IA locales qui impliquent une vision ou de longs documents, mais l'effort de raisonnement doit être adapté à la tâche. Une analyse complexe peut justifier « xhigh » ; Les questions quotidiennes et les brouillons rapides sont plus rapides et moins chers à « moyen » ou inférieur.
Les utilisateurs exécutant le modèle via des outils tels que LM Studio devraient également augmenter la fenêtre de contexte par défaut de 8 192 jetons. Willison a constaté que la réflexion approfondie du modèle avait épuisé ce budget, même pour des problèmes banals, avant de le charger avec le contexte complet de 262 144 jetons.
La plus grande question est de savoir ce que la version signale à propos de la prochaine phase de la course aux modèles ouverts : à mesure que les modèles de style raisonnement deviennent la norme, les paramètres de configuration par défaut se transforment en décisions de produit avec de réelles conséquences sur l'utilisabilité - et le défaut "xhigh" de Qwen est déjà l'exemple le plus discuté.
Une étape importante pour les poids ouverts
Cette version marque également une étape importante dans ce que les laboratoires de poids ouverts peuvent désormais fournir à petite échelle. Il y a deux ans, une capacité de vision, une fenêtre contextuelle de 262 144 jetons et des performances de raisonnement compétitives dans un package adapté à un ordinateur portable grand public auraient été impensables dans un modèle sous licence Apache-2.0. Pour les développeurs qui créent des applications locales – où la confidentialité des données, la latence ou le fonctionnement hors ligne excluent les API cloud – les options pratiques continuent de s'améliorer rapidement.
Les tests de Willison mettent également en évidence un point de maturité pour l'écosystème : les outils autour des modèles locaux, depuis les téléchargements GGUF en un clic de LM Studio jusqu'aux paramètres de raisonnement configurables, ont suffisamment progressé pour que le réglage de la profondeur de réflexion d'un modèle soit désormais une décision courante de l'utilisateur plutôt qu'un exercice de recherche. À mesure que les références indépendantes s'accumuleront dans les prochains jours, l'image de l'endroit où Qwen 3.8 27B se situe exactement par rapport à ses concurrents ouverts et fermés va s'affiner – mais la réception précoce suggère une autre entrée forte dans la gamme qui a fait d'Alibaba l'un des éditeurs de modèles ouverts les plus conséquents au monde.
---
Restez à la Pointe de l'IALes dernières actualités, analyses et percées en IA — au même endroit.
Lire plus d'actualités IA →
