
Reseña de Qwen3.8-27B: el 27B de peso abierto que es "Opus en casa" — probado frente al hype
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 187 tok/s
- openaiNUEVOOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 por 1M de tokens · 87 tok/s
- openaiNUEVOOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 por 1M de tokens · 152 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 194 tok/s
- AlibabaNUEVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 86 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 705 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 por 1M de tokens · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 101 tok/s
Qwen3.8 27B es el mejor 27B de pesos abiertos que puedes autoalojar ahora mismo, y no hay una competencia realmente cerca. Los pesos se publicaron el 14 de agosto de 2026 bajo Apache 2.0: un modelo denso de 27B (28B contando el codificador de visión) con 262K de contexto nativo, entrada nativa de imagen y vídeo, y puntuaciones de codificación agéntica reportadas por el fabricante que se sitúan al mismo nivel o por encima de Claude Opus 4.6 Max — SWE-bench Pro 61.7, DeepSWE 1.1 42.2, LiveCodeBench v6 90.3. El precio estrella es cero: descarga 55.6 GB y ejecútalo. Las advertencias también son reales: las pruebas independientes lo encuentran aproximadamente tres veces más lento y más devorador de tokens que su predecesor, la tabla de benchmarks del fabricante sigue sin tener ninguna reproducción que la respalde, y el contexto de 1M es una función exclusiva de la versión alojada. El movimiento interesante desde el lanzamiento está por debajo de la hoja de especificaciones: el 13 de octubre, un port comunitario de llama.cpp reportó ejecutar estos pesos en la GPU de una PlayStation 5 con jailbreak a unos 20 tokens por segundo. Veredicto: si tienes una GPU de 24 GB o más y quieres una capacidad cercana a la frontera sin una factura medida por uso, autoalójalo, pero entra sabiendo exactamente dónde los números son débiles.
Primero el veredicto: ¿deberías usar Qwen3.8 27B?
Respuesta breve — sí para cargas de trabajo locales y privadas; espera a ver las cifras de terceros antes de tomar una decisión de compra. Qwen3.8 27B es el modelo poco común donde los pesos abiertos son el producto y la API es la conveniencia. Como la licencia es Apache 2.0, el precio por token es permanentemente cero una vez que tienes el hardware, y nada de lo que construyas sobre él puede volver a licenciarse ni cobrarse retroactivamente. Lo que sacrificas es velocidad, verificación y conveniencia.
Si ya ejecutas Qwen3.6-27B y estás satisfecho con él, la mejora es real pero no gratuita en términos de tiempo de reloj. Si llegaste aquí desde el lanzamiento de Qwen3.8-Max, este es el miembro más pequeño y autoalojable de la misma generación: una herramienta diferente para un trabajo diferente.
Los datos rápidos, verificados el 15 de octubre de 2026
• Publicado — los pesos se publicaron el 14 de agosto de 2026 en Qwen/Qwen3.8-27B en Hugging Face, con espejo en ModelScope; la cobertura con husos horarios también menciona el 13 de agosto, y el lanzamiento se produjo aproximadamente una semana después de que se anunciara la generación Qwen3.8.
• Licencia — Apache 2.0: descargar, modificar, redistribuir, uso comercial, con una concesión explícita de patentes. Permanente.
• Parámetros — 27B denso (28B contando el codificador de visión), 64 capas, tamaño oculto 5,120, vocabulario 248,320.
• Arquitectura — atención híbrida: 48 capas de atención lineal Gated DeltaNet frente a 16 capas completas de Atención Gated (una proporción 3:1). Por eso un modelo denso de 27B puede manejar 262K tokens de contexto nativo.
• Contexto — 262,144 tokens de forma nativa; ampliable a 1,000,000 mediante YaRN en la versión alojada.
• Entrada — imagen y video nativos junto con texto; devuelve texto. El codificador visual es el motivo por el que el conteo de parámetros indica 28B.
• Pensamiento — modo de razonamiento activado por defecto y desactivable a petición; reasoning_effort (low/medium/high) y preserve_thinking para ejecuciones de agentes de larga duración.
• Pesos — 55.6 GB de safetensors BF16 en 18 fragmentos; FP8 y GGUFs de la comunidad también se incluyen.
Las especificaciones anteriores provienen de la tarjeta del modelo y la configuración de Hugging Face para Qwen3.8 27B, leídas el 15 de octubre de 2026. La tabla de benchmarks del proveedor está reportada por Alibaba y aún no se ha reproducido. La única evaluación independiente registrada es la de Artificial Analysis, que puntúa a Qwen3.8 27B con 34 en su Índice de Inteligencia y mide 41,2 tokens de salida por segundo — un único índice frente a una tarjeta llena de cifras del proveedor, y no las reproduce.
En qué es realmente bueno Qwen3.8 27B
El caso más fuerte es la ingeniería de software agéntica. Alibaba informa de un salto de 3x en DeepSWE 1.1 sobre el anterior 27B (42.2 frente a 13.3) y una puntuación superior a Claude Opus 4.6 Max en SWE-bench Pro (61.7 frente a 53.4). Esos son los números que le valieron el apodo de "Opus en casa": un denso 27B haciendo trabajo de codificación cercano a la frontera en hardware que una persona puede poseer de verdad.

Tres cosas además de los números brutos hacen que sea una compra defendible:
• Multimodal nativo.Imágenes y video como entrada, texto como salida: un documento con diagramas o un video explicativo no es un modelo separado. Las puntuaciones de razonamiento visual (85.6 con la función de cadena de pensamiento habilitada, 94.6 en matemáticas visuales, ambas reportadas por el proveedor) son donde el codificador visual justifica su existencia.
• Contexto nativo de 262K.Las tareas de agentes de horizonte largo, las grandes bases de código y las transcripciones de varias horas caben en una sola ventana. El diseño híbrido de atención lineal mantiene el costo de KV de ese contexto más bajo que un modelo puro de atención completa del mismo tamaño.
• Pesos gratuitos y permanentes. Este es el punto central de la categoría: un modelo de API cerrada se alquila; Qwen3.8 27B es propiedad. Con cuantización de 4 bits funciona en una tarjeta de 24 GB (clase RTX 3090/4090), y AMD brindó soporte desde el primer día (hasta 24.5 tokens/s en un Ryzen AI Max+ 395 y 51.8 tokens/s en una Radeon AI PRO R9700, según el propio blog de AMD).
Donde la reseña se pone fea: velocidad, tokens y verificación
Las pruebas independientes hasta ahora son un banco de pruebas de un solo evaluador, no un laboratorio, pero es la mejor señal que tenemos. Ejecutando Qwen3.8 27B contra Qwen3.6-27B en diez tareas del mundo real (evaluadas por GPT-5.5 mediante el banco de pruebas llmcompare), el 3.8 ganó nueve de diez y obtuvo una puntuación media de 8.838 frente a 6.862 — «uno de los aumentos de inteligencia más impresionantes» que el evaluador había visto. También usó casi el triple de tokens y fue considerablemente más lento; una tarea tardó aproximadamente un 600% más. Así que el salto de calidad es real, y también lo es el precio en tiempo de reloj.
Cuatro cosas más que reprocharle:
• Benchmarks independientes, menos de los que la ficha sugiere. La ficha del proveedor es detallada y cada cifra que figura en ella sigue siendo reportada por Alibaba. La puntuación de 34 en el Intelligence Index de Artificial Analysis, leída el 15 de octubre, es la primera evaluación independiente que tiene este modelo: una sola puntuación, de un solo laboratorio, que no dice nada sobre SWE-bench Pro 61.7 ni sobre DeepSWE 1.1 42.2. Si tu decisión exige que se reproduzcan las afirmaciones sobre capacidades agénticas, no se han reproducido.
• El requisito mínimo de VRAM es real. BF16 necesita una GPU de la clase de 80 GB. Para caber en una tarjeta de 24 GB hay que usar 4 bits, y los informes de la comunidad (hilo de comentarios en dev.to, días después del lanzamiento) afirman que las compilaciones cuantizadas «pierden el enfoque tras un contexto largo». Pesos oficiales si tienes la VRAM; cuantizados si no la tienes, y la ruta de cuantización ahora llega a hardware muy por debajo de una tarjeta de 24 GB, de lo cual la medición de PlayStation 5 que aparece a continuación es la primera evidencia real.
• El contexto de 1M solo está disponible en el alojamiento. Los pesos abiertos se limitan a 262K. La cifra ampliable a 1M es una función alojada de Qwen Cloud, no algo que una copia local haga de forma predeterminada.
• "Beats Opus" necesita matices.Los benchmarks de agentes recompensan comportamientos específicos del harness, y un comentario destacado en el post de lanzamiento en dev.to lo dijo sin rodeos: "no le ganan a opus en uso del mundo real". Trata la tabla de puntuaciones como un límite superior en un buen día, no como una promesa.
Cómo se sitúa en la familia Qwen 3.8
• vs Qwen3.6-27B — la misma clase de hardware y un contexto de 262K, pero un gran salto de capacidad a costa de la velocidad y la eficiencia de tokens. Si ya ejecutas 3.6 y estás limitado por el throughput, quedarte es defendible.
• frente a Qwen3-Coder-30B-A3B — el Coder es un MoE con aproximadamente 3.300 millones de parámetros activos que funciona mucho más rápido (~90–110 tokens/s). El 27B denso es más lento por token, pero hereda las ganancias agénticas de la generación; si las puntuaciones de ingeniería de software del 27B se sostienen bajo pruebas independientes, el rol del Coder-30B se reduce.
• vs Qwen3.8-Max — el buque insignia MoE de 2.4T es un modelo de centro de datos (solo API, alrededor de $2/$6 por millón de tokens según la cobertura publicada) con contexto de 1M y vídeo. El de 27B es el que se puede desplegar. Responden a preguntas diferentes.
El mínimo de hardware cambió el 13 de octubre.
PS5LM es un port de llama.cpp que ejecuta modelos GGUF en una PlayStation 5 con jailbreak, dentro de una consola que ya tienes. Su compilación publicada es modesta — v0.1.1, un único payload limitado a alrededor de 1,6 GB de modelo, que es Qwen3.5 2B en 4 bits y nada más grande, solo en CPU. El 13 de octubre el proyecto recibió una pull request que cambia cómo se ve la lista de hardware: una ruta de aplicación nativa que enlaza llama-server contra un controlador Vulkan de la comunidad para la consola, y reporta Qwen3.8 27B a 20,7 tokens por segundo en la cuantización UD-IQ2_XXS (6,77 GiB, contexto de 64k) y 20,3 tokens por segundo en UD-Q2_K_XL (9,15 GiB, contexto de 32k, caché q4_0), con una respuesta de 7.775 tokens sostenida a 19,7 tokens por segundo. La misma consola devolvió 61 tokens por segundo con Gemma 4 E4B y 124 con Llama 3.2 3B Instruct, que es lo que hace que la cifra de 27B valga la pena leer: no es un modelo pequeño que haga quedar bien una cifra grande.
Etiquétalo antes de actuar en función de ello. Esas cifras son mediciones del propio autor del pull request en una rama sin fusionar, no un benchmark de un proveedor ni una compilación publicada. El propio repositorio de PS5LM todavía incluye tanto la descarga de GPU como Qwen 3.8 27B como elementos de hoja de ruta que aún no ha lanzado, y el comentario del mantenedor en el pull request dice que reproducirá las cifras en su propia consola antes de que el README las recoja. Un segundo probador informa de que la aplicación funciona en absoluto —firmware 4.50, modelos 7B y 9B a aproximadamente 30 tokens por segundo—, lo que corrobora el mecanismo sin reproducir el resultado de 27B. Llegar hasta ahí también presupone una consola de tu propiedad, con firmware de 7.00 a 13.60, y un jailbreak.
Lo que cambia es la forma de la pregunta sobre el costo, no su respuesta. Un modelo denso de 27B a aproximadamente 20 tokens por segundo en una consola de videojuegos es más lento que el mismo modelo servido desde una GPU real — Artificial Analysis mide 41.2 tokens por segundo a través de la propia API de Aliaba, y 20 tokens por segundo es la velocidad de la versión de 2 bits, con la pérdida de calidad que implica la compresión. Así que esto no es una razón para saltarse la tarjeta de 24 GB; es evidencia de que la clase es portable muy por debajo de esa cifra. Si lo que realmente quieres es saber si el modelo es bueno antes de pasar un fin de semana en un jailbreak, la ruta barata es una llamada medida: una sola clave para más de 200 modelos, sin un segundo contrato y con conmutación automática por error entre proveedores si el endpoint titubea mientras estás evaluando.
Costo: la cuestión de local versus API, resuelta.
Para un modelo cerrado, se comparan los precios por token. Para Qwen3.8 27B el token marginal no cuesta nada en tu propio hardware — el precio real es la GPU por adelantado y tu tiempo. En 4 bits, eso es una tarjeta de 24 GB; en BF16, es una máquina de clase 80 GB. Si no tienes la máquina, o quieres respuestas antes de comprometer 55.6 GB de disco, existe la ruta alojada: OrcaRouter lista Qwen3.8 27B a $0.33 por millón de tokens de entrada y $2.40 por millón de tokens de salida en la página del modelo OrcaRouter, que es el precio de lista del proveedor pasado con 0% de margen (consultado el 15 de octubre de 2026). El nivel gratuito y limitado por velocidad que esta página describía en agosto ya no aparece allí — considéralo obsoleto a menos que lo veas indicado. La propia API de Alibaba es la otra ruta alojada, que Artificial Analysis lista a $0.50 y $3.00 por millón para la configuración de razonamiento Xhigh. La versión alojada de Qwen Cloud, con el contexto de 1M, sigue marcada como "próximamente".

El planteamiento honesto: para un modelo de pesos abiertos, un proveedor es una comodidad, no una dependencia. Una llamada alojada con tarifa medida es la forma más barata posible de decidir si vale la pena una descarga de 55.6 GB; también es la única forma de probar el modelo sin resolver primero el problema de hardware que describe el párrafo de PlayStation 5. Pero una vez que lo has decidido, los pesos son lo importante — y son gratuitos.
Cómo probarlo de verdad
• Evaluación más rápida — pruébalo en un endpoint alojado a $0.33/$2.40 por millón; unos cientos de miles de tokens de trabajo real cuestan céntimos y resuelven la duda antes de que descargues nada.
• Prueba real en tu hardware — descarga un GGUF de la comunidad (la versión Q4_K_M pesa aproximadamente 17 GB y cabe en una tarjeta de 24 GB) y ejecútalo en llama.cpp u Ollama. Pasa la plantilla de chat Jinja o el modelo te responde en etiquetas de pensamiento. Para visión desde un GGUF también necesitas el archivo mmproj separado. Nuestra guía sobre cómo ejecutar Qwen3.8 27B localmente lo explica paso a paso.
• Precisión completa — huggingface-cli download Qwen/Qwen3.8-27B en una GPU de clase 80 GB.
• Verifica lo que descargaste — comprueba que el editor es la organización Qwen y valida los shards contra crc32.txt; aparecieron repositorios similares antes del lanzamiento.
Cuando esta reseña es incorrecta (y quién debería saltarse Qwen3.8 27B)
• No tienes GPU y no vas a alquilar una. El nivel alojado cuesta $0.33/$2.40 por millón — un modelo de API pequeño puede servirte de forma más barata y fiable. Este modelo es para quienes quieren ser dueños de la inferencia.
• Necesitas un SLA. El plan alojado se lanzó a mediados de agosto; la página del modelo OrcaRouter, consultada el 15 de octubre, muestra una tasa de error del 2,8 % durante los últimos siete días, una latencia de primer token p50 de 3,23 s y una salida de 156 tokens por segundo en 77,2 M de tokens enrutados en esa ventana. Después de dos meses, eso es un endpoint que funciona, no una cola del día de lanzamiento, pero un promedio de la última semana todavía no es un contrato de producción. Quienes autohospedan deberían fijar el commit de su descarga y mantener una alternativa de respaldo.
• Necesitas que se reproduzcan las afirmaciones agénticas del proveedor, no solo una puntuación de índice. La puntuación de 34 en el Intelligence Index de Artificial Analysis es el único número independiente que tiene este modelo, y no dice nada sobre SWE-bench Pro 61.7 ni DeepSWE 1.1 42.2 — ambos siguen siendo reportados por Alibaba. De valor orientativo, no apto para adquisiciones.
• El contexto de 262K con pesos abiertos no es suficiente. La extensión de 1M solo está disponible en versión alojada por ahora.
• El rendimiento es tu cuello de botella. El resumen en bloque o los lotes grandes serán un problema: este es un modelo denso de 27B que además consume aproximadamente 3 veces los tokens de su predecesor. Para trabajo masivo de bajo costo, gana un modelo más pequeño o más rápido.
• Estás en una tarjeta de 12 GB. Los GGUFs de 2 bits apenas caben, con una pérdida de calidad visible —esa es la configuración que hay detrás del punto de datos de PlayStation 5 anterior—, así que este es un modelo con el que experimentar, no para adoptarlo como estándar.

La conclusión
Qwen3.8 27B es el 27B de pesos abiertos más potente disponible hoy, y es gratis para siempre bajo Apache 2.0. Si tienes una GPU de 24 GB o más y quieres codificación agéntica, contexto de 262K y entrada nativa de imagen/vídeo sin una factura por uso, esta es la que hay que comprar. Las razones para no comprarlo todavía son igual de concretas: necesitas que las afirmaciones del proveedor sobre codificación agéntica se reproduzcan en algún lugar que no sea la ficha del modelo, un SLA, más de 262K de contexto de pesos abiertos, o un rendimiento superior al que te da un 27B denso. El modelo ya salió, los pesos son reales, la única puntuación independiente hasta ahora es un respetable 34, y el requisito mínimo de hardware resultó ser más bajo de lo que asumía la cobertura de lanzamiento. Solo recuerda qué números vinieron de un laboratorio y cuáles del proveedor.
