Laboratorium riset Qwen Alibaba ngeculake Qwen 3.8 27B ing dina Jumuah, model basa gedhe sing dilisensi Apache 2.0, sing bisa digunakake ing laptop kanthi spesifikasi sing cukup - lan, miturut benchmark lab kasebut, ora mung kinerja sadurunge nanging model bobot tertutup sing ana ing antarane Qwen paling kuat ing wulan Mei.
Rilis kasebut dadi salah sawijining peluncuran model sing paling akeh dibahas ing sasi iki ing kalangan pangembang. Tinjauan tangan sing diterbitake dina Minggu dening Simon Willison, peneliti lan blogger AI independen sing misuwur, tekan kaca ngarep Hacker News kanthi atusan upvotes, kanthi pembaca debat babagan kapabilitas model lan konfigurasi standar sing ora biasa. For more context on this story, see our ongoing AI industry coverage.
Apa Anyar ing Qwen 3.8 27B
Model kasebut minangka sing paling anyar ing garis bobot mbukak Alibaba, tekan minggu sawise rilis campuran Qwen 3.8 2.4T-A95B sing luwih gedhe. Miturut benchmarks dhewe-kacarita Qwen, model 27B nuduhake hasil liwat loro Qwen 3.6 27B lan Qwen 3.7-Plus ditutup-bobot - model sing, senadyan jenenge, iku salah siji pemain kuat Qwen saka ukuran sembarang sadurungé taun.
Model kasebut ndhukung dawa konteks maksimal 262.144 token, nangani input visi, lan dikirim kanthi dhukungan resmi kanggo parameter `reasoning_effort` sing nyetel kedalaman penalaran ing telung tingkat: `xhigh`, `medium` lan `low`.
Iku setelan pisanan - `xhigh`, standar pabrik - sing wis dadi titik ngomong release.
Masalah Overthinking
Willison, sing nguji model kasebut ing 128GB MacBook Pro lan NVIDIA DGX Spark nggunakake 17GB Q4_K_M quantized build LM Studio, nggambarake standar kasebut minangka "pemikiran sing luar biasa."
Ing salah sawijining conto sing nyenengake, dheweke njaluk model kanggo nggambar SVG saka pelikan sing numpak sepedha. Kanthi gaweyan pertimbangan `xhigh` standar, model kasebut nggunakake 22.276 token penalaran kanggo ngasilake 3.223 token output - proses sing butuh 21 menit ing hardware. Asil kasebut, ujare, "sing paling apik pelican SVG" sing bisa digawe kanthi model sing mlaku sacara lokal, kanthi geometri sepeda sing bener, sikil ing loro-lorone pigura lan latar mburi ilustrasi sing apik.
Trade-off jelas: 21 menit minangka ngenteni sing ora praktis kanggo umume tugas. Mlaku maneh pituduh sing padha karo alesan dipatèni ngasilake tanggepan ing 137 detik - kurang saka sepersepuluh wektu - kanthi dawa output sing padha.
Malah panjaluk sing ora pati penting bisa nyebabake prilaku kasebut. Dijaluk "nggambar svg saka bunder", jejak pertimbangan model dibukak kanthi nimbang opsi palet, gaya Bauhaus, cincin berlapis lan pendekatan animasi - sawetara menit musyawarah kanggo wangun sing mbutuhake tag XML siji.
Putusan Willison: model banget, nanging konfigurasi gawan "pancen ora cara sing apik kanggo mbukak model, utamané ing hardware konsumen." Pangguna bisa ngalih menyang upaya penalaran `sedheng` utawa `rendhek`, utawa mateni pikiran lengkap.
Momentum AI Lokal
Rilis kasebut nandheske sepira cepet gap kapabilitas antarane model maya wates lan model mbukak sing bisa diluncurake sacara lokal wis suda. File 17GB sing mlaku ing laptop saiki ngasilake asil sing, ing tugas kreatif tartamtu, saingan karo model skala pusat data sing durung suwe.
Iki uga nerusake momentum bobot mbukak saka lab Cina sing wis ditemtokake 2026. Kulawarga Qwen Alibaba wis dadi salah sawijining model model sing paling diunduh ing taun iki, saingan karo rilis saka Meta, DeepSeek lan Moonshot AI kanggo pangembang mindshare. Asil pathokan independen kanggo Qwen 3.8 27B isih nglumpukake, lan Willison kanthi tegas ngelingake manawa nomer sing dilaporake ing laboratorium ngenteni verifikasi pihak katelu.
Pandhuan Praktis kanggo Pangguna
Kanggo pangembang lan penggemar sing nimbang model kasebut, konsensus sing muncul saka tes awal langsung: Qwen 3.8 27B minangka pilihan standar sing kuat kanggo beban kerja AI lokal sing kalebu visi utawa dokumen sing dawa, nanging upaya nalar kudu disetel kanggo tugas kasebut. Analisis Komplek bisa mbenerake `xhigh`; pitakonan saben dinten lan draf cepet luwih cepet lan luwih murah ing `medium` utawa ngisor.
Pangguna sing nggunakake model kasebut liwat alat kaya LM Studio uga kudu ngunggahake jendela konteks standar saka 8,192 token - Willison nemokake model sing dipikirake wis kesel anggaran kasebut kanggo masalah sing biasa sadurunge diisi karo konteks 262,144-token lengkap.
Pitakonan sing luwih gedhe yaiku apa sinyal rilis babagan fase sabanjure balapan model terbuka: amarga model gaya penalaran dadi norma, standar konfigurasi dadi keputusan produk kanthi konsekuensi kegunaan nyata - lan standar `xhigh` Qwen wis dadi conto sing paling dibahas.
Milestone kanggo Bobot Terbuka
Rilis kasebut uga nandhani tonggak sejarah apa sing saiki bisa dikirim dening laboratorium bobot mbukak kanthi skala cilik. Kapabilitas visi, jendhela konteks 262,144-token lan kinerja pertimbangan kompetitif ing paket sing cocog karo laptop konsumen mesthi ora bisa dipikirake ing model sing dilisensi Apache-2.0 rong taun kepungkur. Kanggo pangembang sing mbangun aplikasi lokal-pisanan - ing ngendi privasi data, latensi utawa operasi offline nglarang API maya - opsi praktis terus nambah kanthi cepet.
Pengujian Willison uga nyorot titik kadewasan kanggo ekosistem: alat ing sekitar model lokal, saka LM Studio siji-klik unduhan GGUF menyang paramèter penalaran sing bisa dikonfigurasi, wis cukup maju yen nyetel kedalaman pamikiran model saiki dadi keputusan pangguna rutin tinimbang latihan riset. Minangka benchmarks independen nglumpukake ing dina teka, gambar ing ngendi persis Qwen 3.8 27B ndharat marang saingan mbukak lan ditutup bakal ngasah - nanging reception awal tabet liyane entri kuwat ing baris sing wis digawe Alibaba salah siji saka penerbit model mbukak paling consequential ing donya.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
