LBS-27B vs. Qwen3.8 27B: Die Messlatte bei 27B – und das Labor, das sie schon lange liest

Sechs Wochen bevor LBS-27B als leeres Repository erschien, veröffentlichte inclusionAI ein anderes Modell: inclusionAI/Qwen3.8-27B-singprobe, eine kleine Streaming-Guardrail-Sonde, die auf Alibabas Qwen3.8 27B aufbaut. Es ist kein Sprachmodell und kein Konkurrent. Es ist ein Sicherheitsklassifikator, der die Hidden States von Qwen3.8 27B liest, während dieses Modell generiert, und seine Existenz verrät etwas, das ein Datenblatt nicht verraten kann: Das Labor, das gerade den Namen LBS-27B reserviert hat, hat direkt mit dem Modell gearbeitet, das denselben Parameter-Slot besetzt.

Deshalb ist dies die wichtigste Gegenüberstellung in diesem Batch. Gemma 4 26B A4B ist eine andere Architektur und eine andere Preisklasse; Granite 4.2 30B ist ein dichtes Enterprise-Modell; LFM2.5 24B A2B ist ein Effizienzexperiment. Qwen3.8 27B ist das Modell, auf das ein neues 27B-Modell aus einem ernstzunehmenden chinesischen Labor am plausibelsten abzielen würde. Ob LBS-27B eine Herausforderung für dieses Modell, eine günstigere Alternative oder etwas völlig anderes ist, lässt sich aus einem Repository mit einer 28-Byte-Lizenzdatei nicht erkennen – aber die Messlatte, die Qwen gesetzt hat, ist erkennbar, und sie ist hoch.

Was Qwen3.8 27B tatsächlich ist

Qwen3.8 27B wird als 27B-Modell vermarktet, auf Hugging Face mit 28B Parametern in BF16 gelistet und basiert auf einem hybriden Attention-Stack statt auf einem Standard-Transformer. Die Modellkarte beschreibt sechzehn sich wiederholende Blöcke, die jeweils drei Gated-DeltaNet-Schichten gefolgt von einer Gated-Attention-Schicht enthalten, mit einer Hidden-Size von 5.120, 64 Schichten, 24 Attention-Heads, 4 Key-Value-Heads und einer Feed-Forward-Dimension von 17.408. Das Vokabular umfasst 248.320 Tokens.

Das Kontextfenster umfasst nativ 262.144 Token und lässt sich mit YaRN auf etwa eine Million erweitern. Es ist nativ multimodal: Text, Bilder und Video als Eingabe, Text als Ausgabe. Thinking ist standardmäßig aktiviert, mit Reasoning-Effort-Stufen xhigh, medium und low sowie einem standardmäßig aktivierten Preserve-Thinking-Flag. Die Lizenz ist Apache-2.0. Die Gewichte erschienen im August 2026.

Die Architektur ist der Teil, bei dem man innehalten sollte. Gated DeltaNet-Schichten sind Linear-Attention-Varianten, die mit der Sequenzlänge besser skalieren als Full Attention, und sie mit einer kleinen Zahl von Full-Attention-Schichten zu verschachteln, ist ein Weg, Long-Context-Verhalten zu erreichen, ohne auf jeder Ebene quadratische Kosten zu zahlen. Es ist ein ehrgeizigeres Design als ein einfacher dichter Stack, und es ist die Art von Sache, die beim ersten Versuch schwer zu erreichen ist.

Die Bar in Zahlen

Alle folgenden Ergebnisse sind Qwens eigene berichtete Resultate und wurden von uns nicht unabhängig reproduziert. Sie bleiben dennoch der relevante Maßstab, denn sie sind es, womit ein Käufer vergleichen wird.

• Programmierung und Softwareentwicklung — LiveCodeBench v6 90,3, QwenSWEBench 79,0, SWE-bench Pro 61,7, DeepSWE 1.1 42,2, NL2Repo-Bench 42,3.

• Terminal- und agentische Arbeit — Terminal-Bench 2.1 (Terminus) 73,0, CoWorkBench 70,7, JobBench 33,4, Agents' Last Exam 20,4 pass@1 und 42,9 Punkte.

• Wissen und Schlussfolgerungsvermögen — GPQA Diamond 89,2, Humanity's Last Exam 30,8, IFBench 79,5. Der HLE-Wert ist für ein 27B-Modell ungewöhnlich hoch und die auffälligste Einzelzahl auf der Karte.

• Vision und Computer-Use — OSWorld-Verified 84.3, AndroidWorld 81.9, WebArena Verified 64.8, MathVision 90.0 ohne Chain-of-Thought-Integration und 94.6 mit Integration, OmniDocBench 1.5 91.1, RealWorldQA 85.9, CharXiv-Reasoning 83.7 und 90.2 mit Integration.

• Schwächere Zeilen — SWE-MM 38.6, RecreationBench 47.1, ClawEval-MM 57.4 pass@3. Selbst die schwachen Zeilen sind respektabel.

Dies ist kein Modell, das auf einer Achse gewinnt. Es ist gleichzeitig in Coding, Wissen, Vision und Computer Use wettbewerbsfähig – und genau dieses Profil macht es für einen gleich großen Herausforderer schwierig, sich zu positionieren. Ein neues 27B-Modell kann es nicht schlagen, indem es bei einer Sache etwas besser ist; es braucht ein anderes Argument.

Was LBS-27B gezeigt hat

Nichts, was bewertet werden kann. Das Repository wurde am 26. Oktober 2026 um 05:36 UTC erstellt und enthält eine .gitattributes-Datei mit 1.519 Byte und eine 28 Byte große README-Datei. Die README ist die Lizenzdeklaration und ausschließlich die Lizenzdeklaration: license: apache-2.0. Es gibt keine Gewichte, keine Konfiguration, keinen Tokenizer, keine Modellkarte und keine Benchmark-Zeilen. Downloads werden nicht erfasst und Likes sind null, und wir konnten nirgendwo eine Ankündigung, ein Paper oder eine öffentliche Diskussion über das Modell finden.

„27B“ ist ein Name. Er wurde nicht als Gesamtparameterzahl bestätigt, geschweige denn als aktive Anzahl, und es gibt keinen Hinweis darauf, ob das Modell dense, sparse oder auf einem hybriden Attention-Stack wie dem von Qwen aufgebaut ist.

Die Sonde ist der interessanteste Hinweis.

Das Qwen3.8-27B-singprobe von inclusionAI wurde am 14. September 2026 erstellt und ist mit den Tags Sicherheit, Guardrails, Streaming und Halluzinationserkennung versehen. Es basiert auf Qwen3.8 27B, ist unter Apache-2.0 lizenziert und hat wenig Aufmerksamkeit erregt – 219 Downloads und zwei Likes zum Zeitpunkt des Schreibens.

Seine Bedeutung liegt nicht in seiner Popularität. Es zeigt, dass inclusionAI Qwen3.8 27B auf der Hidden-State-Ebene instrumentiert hat, was bedeutet, dass das Labor die internen Repräsentationen des Modells gut genug versteht, um darauf einen Klassifikator aufzubauen. Das ist eine tiefere Form der Vertrautheit als ein Benchmark-Vergleich. Es beweist nicht, dass LBS-27B von Qwen3.8 27B abgeleitet ist – dafür gibt es keine Belege, und die beiden Organisationen sind separate Unternehmen, Ant Group und Alibaba –, aber es deutet darauf hin, dass die 27B-Klasse für dieses Labor kein zufälliges Ziel ist.

Das wirft auch eine Möglichkeit auf, die es wert ist, benannt zu werden: Ein Labor, das Safety-Probes zusammen mit Modellen ausliefert, könnte sein eigenes 27B eher über Steuerbarkeit und Guardrails positionieren als über reine Benchmark-Führerschaft. Wenn das die Botschaft ist, verschiebt sich der Vergleich mit Qwen3.8 27B von „Wer erzielt höhere Werte?“ zu „Welches lässt sich sicherer einsetzen?“ – eine andere Frage mit einer anderen Antwort.

Drei mögliche Verläufe

Ohne eine Modellkarte besteht der ehrliche Ansatz darin, die plausiblen Formen zu beschreiben, statt eine auszuwählen.

• Eine günstigere Qwen-Alternative. Wenn LBS-27B ein dichtes 27B-Modell mit vergleichbarer Qualität und niedrigeren Serving-Kosten ist, konkurriert es über den Preis. Das ist schwierig gegen ein Modell mit 0,33 US-Dollar pro Million Input-Tokens, aber nicht unmöglich, wenn inclusionAIs Trainingsrezept effizienter ist oder wenn es auf eine kleinere Anzahl aktiver Parameter abzielt.

• Ein Effizienzschachzug. Wenn LBS-27B sparse ist und nur eine kleine Anzahl aktiver Parameter hat, umgeht es Qwens Rechenprofil vollständig. Qwen3.8 27B ist dense, was es bei langem Kontext pro Token teuer macht; ein sparse 27B mit einem Bruchteil aktiver Parameter könnte es bei den Kosten unterbieten und dafür etwas Qualität einbüßen. Das ist die LFM2.5-Strategie, angewendet auf eine größere Größe.

• Eine andere Nische. Wenn LBS-27B bei Sicherheit, mehrsprachiger Abdeckung, der Arbeit mit langen Dokumenten oder einem bestimmten agentischen Harness führend ist, versucht es möglicherweise gar nicht, Qwen3.8 27B in allen Bereichen zu schlagen. singprobe liefert dafür nur ein schwaches Indiz, aber es ist das einzige Indiz, das es gibt.

Jede dieser Formen impliziert eine andere Konfigurationsdatei. Deshalb wird die Offenlegung der Architektur, wenn sie denn kommt, informativer sein als jeder Launch-Blogpost.

Der Vergleich, mit den markierten Leerstellen

• Parameter — Qwen3.8 27B wird mit 27B beworben und in BF16 mit 28B aufgeführt; LBS-27B ist ein nicht verifiziertes 27B.

• Architektur — ein Hybrid aus Gated-DeltaNet- und Gated-Attention-Schichten für Qwen; unbekannt für LBS.

• Kontext — 262.144 nativ und etwa eine Million mit YaRN für Qwen; für LBS unbekannt.

• Modalität — Text-, Bild- und Videoeingabe mit Textausgabe für Qwen; für LBS unbekannt.

• Thinking-Steuerungen — Reasoning-Aufwand auf xhigh, medium oder low für Qwen; unbekannt für LBS.

• Lizenz — Apache-2.0 für Qwen; Apache-2.0 für LBS angegeben.

• Preis — 0,33 $ pro Million Eingabe-Tokens und 2,40 $ pro Million Ausgabe-Tokens für Qwen auf OrcaRouter; kein Preis für LBS.

• Bewertungen — eine vollständige Anbieterkarte für Qwen, einschließlich Coding-, agentischer und Vision-Zeilen; keine für LBS.

Der Preis und das Argument für eine einzige API

Qwen3.8 27B ist auf OrcaRouter als qwen/qwen3.8-27b für 0,33 $ pro Million Eingabe-Tokens und 2,40 $ pro Million Ausgabe-Tokens erhältlich, mit dem vollständigen Kontext von 262.144 Tokens. OrcaRouter gibt den Listenpreis des Anbieters mit 0 % Aufschlag weiter, sodass sich der Preis auf unserer Seite noch am selben Tag ändert, wenn Alibaba oder seine Hosting-Partner den Tarif ändern. Es gibt außerdem einen zweiten Eintrag für Qwen3.8 27B auf der Plattform zu einem höheren Tarif unter einem anderen Anbieternamen, den man prüfen sollte, wenn man Angebote vergleicht.

LBS-27B ist nicht auf OrcaRouter verfügbar. Es gibt nichts, wohin geroutet werden könnte. Wenn Gewichte existieren, besteht die praktische Möglichkeit, die Frage zu beantworten, die dieser Artikel nicht beantworten kann – ist das neue Modell tatsächlich besser für meine Workload? –, darin, einen Teil des Traffics über denselben Endpoint an es zu senden, während Qwen das Fallback bleibt. Automatisches Failover macht daraus ein umkehrbares Experiment statt einer Migration, und die Routing-DSL bedeutet, dass die Aufteilung als Policy statt als Code-Verzweigung ausgedrückt werden kann. Das ist die nützliche Rolle eines Routers in einem 27B-Vergleich: nicht den Gewinner auszuwählen, sondern Ihnen zu ermöglichen, eines gegen das andere mit Ihren eigenen Eingaben zu messen.

Was würde daraus einen echten Vergleich machen?

Das erste Artefakt ist eine Konfigurationsdatei. Sie wird die Frage dicht versus spärlich entscheiden und eine Anzahl aktiver Parameter liefern, die bestimmt, ob LBS-27B mit Qwen bei der Qualität konkurriert oder ihm bei den Kosten ausweicht.

Das zweite ist ein Vision-Tower. Die multimodale Fähigkeit von Qwen3.8 27B ist keine Nebenfunktion; sie ist ein großer Teil dessen, warum das Modell bei Dokument-, UI- und Computer-Use-Aufgaben wettbewerbsfähig ist. Ein reines Text-LBS-27B wäre ein kleineres Produkt, das auf einen engeren Ausschnitt derselben Käufer abzielt.

Der dritte Punkt ist eine Positionierungsaussage von inclusionAI. Das Labor hat nicht gesagt, wofür LBS-27B gedacht ist, und auch der Name sagt es nicht. Alles in diesem Artikel über die Absicht ist ein Rückschluss aus einer Probe, einer Lizenz und einem Zeitstempel.

Vorerst ist die vertretbare Schlussfolgerung eng. Qwen3.8 27B ist eines der stärksten verfügbaren 27B-Modelle – mit einer Hybridarchitektur, nativer Multimodalität, einem Erweiterungspfad auf eine Million Token und einem aggressiven Hosting-Preis. LBS-27B ist ein Repository, das noch kein Modell geworden ist. Die Lücke zwischen ihnen ist keine Lücke bei der Leistungsfähigkeit; sie ist der Abstand zwischen einem fertigen Produkt und einem reservierten Namen – und die interessante Frage ist, ob ein Labor, das Qwens Hidden States gelesen hat, sich darauf vorbereitet, mit ihm zu konkurrieren oder es zu ergänzen.