LBS-27B vs Qwen3.8 27B: Standar di 27B, dan Lab yang Telah Membacanya

Enam minggu sebelum LBS-27B muncul sebagai repositori kosong, inclusionAI menerbitkan model lain: inclusionAI/Qwen3.8-27B-singprobe, sebuah probe guardrail streaming kecil yang dibangun di atas Qwen3.8 27B milik Alibaba. Ini bukan model bahasa dan bukan pula pesaing. Ini adalah classifier keselamatan yang membaca hidden state Qwen3.8 27B saat model tersebut menghasilkan teks, dan keberadaannya memberi tahu Anda sesuatu yang tidak dapat disampaikan oleh lembar spesifikasi: lab yang baru saja mencadangkan nama LBS-27B telah bekerja secara langsung dengan model yang menempati slot parameter yang sama.

Itulah sebabnya inilah pertarungan yang paling penting di batch ini. Gemma 4 26B A4B adalah arsitektur yang berbeda dan kelas harga yang berbeda; Granite 4.2 30B adalah model dense untuk segmen enterprise; LFM2.5 24B A2B adalah eksperimen efisiensi. Qwen3.8 27B adalah model yang paling masuk akal menjadi sasaran model 27B baru dari laboratorium Tiongkok yang serius. Apakah LBS-27B merupakan tantangan bagi model itu, alternatif yang lebih murah, atau sesuatu yang sama sekali berbeda tidak dapat diketahui dari repositori yang berisi file lisensi 28 byte — tetapi standar yang telah ditetapkan Qwen dapat diketahui, dan standar itu tinggi.

Apa sebenarnya Qwen3.8 27B itu

Qwen3.8 27B dipasarkan sebagai model 27B, terdaftar dengan 28B parameter dalam BF16 di Hugging Face, dan dibangun di atas stack atensi hibrida, bukan transformer standar. Kartu model menjelaskan enam belas blok berulang, masing-masing berisi tiga lapisan Gated DeltaNet diikuti satu lapisan Gated Attention, dengan ukuran tersembunyi 5.120, 64 lapisan, 24 kepala atensi, 4 kepala key-value, dan dimensi feed-forward selebar 17.408. Kosakatanya 248.320 token.

Jendela konteksnya secara native 262.144 token, dapat diperluas hingga sekitar satu juta dengan YaRN. Model ini secara native multimodal: teks, gambar, dan video sebagai masukan, teks sebagai keluaran. Thinking aktif secara default, dengan tingkat reasoning-effort xhigh, medium, dan low, serta flag preserve-thinking yang diaktifkan secara default. Lisensinya Apache-2.0. Bobot model muncul pada Agustus 2026.

Arsitekturnya adalah bagian yang perlu diperhatikan lebih saksama. Lapisan Gated DeltaNet adalah varian linear-attention yang penskalaannya lebih baik terhadap panjang sekuens dibandingkan full attention, dan menyelipkannya di antara sejumlah kecil lapisan full-attention adalah cara untuk mendapatkan perilaku konteks panjang tanpa membayar biaya kuadratik di setiap lapisan. Ini adalah desain yang lebih ambisius daripada tumpukan dense biasa, dan ini adalah jenis hal yang sulit ditandingi pada percobaan pertama.

Bar itu, dalam angka

Semua hasil berikut merupakan hasil yang dilaporkan sendiri oleh Qwen dan belum kami reproduksi secara independen. Semua itu tetap menjadi tolok ukur yang relevan, karena itulah yang akan dibandingkan oleh pembeli.

• Pemrograman dan rekayasa perangkat lunak — LiveCodeBench v6 90.3, QwenSWEBench 79.0, SWE-bench Pro 61.7, DeepSWE 1.1 42.2, NL2Repo-Bench 42.3.

• Pekerjaan terminal dan agentik — Terminal-Bench 2.1 (Terminus) 73.0, CoWorkBench 70.7, JobBench 33.4, Agents' Last Exam 20.4 pass@1 dan skor 42.9.

• Pengetahuan dan penalaran — GPQA Diamond 89,2, Humanity's Last Exam 30,8, IFBench 79,5. Angka HLE ini luar biasa tinggi untuk model 27B dan merupakan angka paling mencolok di kartu ini.

• Visi dan penggunaan komputer — OSWorld-Verified 84.3, AndroidWorld 81.9, WebArena Verified 64.8, MathVision 90.0 tanpa integrasi chain-of-thought dan 94.6 dengan integrasi tersebut, OmniDocBench 1.5 91.1, RealWorldQA 85.9, penalaran CharXiv 83.7 dan 90.2 dengan integrasi.

• Baris yang lebih lemah — SWE-MM 38,6, RecreationBench 47,1, ClawEval-MM 57,4 pass@3. Bahkan baris yang lemah pun tetap terhormat.

Ini bukan model yang menang pada satu sumbu. Model ini kompetitif di coding, pengetahuan, visi, dan penggunaan komputer sekaligus, dan itulah profil yang membuat penantang berukuran sama sulit diposisikan. Model 27B baru tidak bisa mengalahkannya dengan hanya sedikit lebih baik dalam satu hal; ia membutuhkan argumen yang berbeda.

Apa yang telah ditunjukkan LBS-27B

Tidak ada apa pun yang dapat dievaluasi. Repositori dibuat pada 05:36 UTC tanggal 26 Oktober 2026 dan berisi .gitattributes berukuran 1.519 byte serta README berukuran 28 byte. README tersebut adalah deklarasi lisensi dan hanya deklarasi lisensi: license: apache-2.0. Tidak ada bobot, tidak ada konfigurasi, tidak ada tokenizer, tidak ada kartu model, dan tidak ada baris benchmark. Unduhan tidak dilacak dan jumlah suka nol, dan kami tidak dapat menemukan pengumuman, makalah, atau diskusi publik tentang model ini di mana pun.

"27B" adalah sebuah nama. Itu belum dikonfirmasi sebagai jumlah parameter total, apalagi jumlah parameter aktif, dan tidak ada indikasi apakah model tersebut dense, sparse, atau dibangun di atas tumpukan perhatian hibrida seperti milik Qwen.

Probe itu adalah petunjuk yang paling menarik.

Qwen3.8-27B-singprobe milik inclusionAI dibuat pada 14 September 2026 dan ditandai untuk keamanan, guardrails, streaming, dan deteksi halusinasi. Model ini berbasis Qwen3.8 27B, berlisensi Apache-2.0, dan belum banyak menarik perhatian — 219 unduhan dan dua suka pada saat penulisan.

Signifikansinya bukan popularitasnya. Ini menunjukkan bahwa inclusionAI telah melakukan instrumentasi terhadap Qwen3.8 27B pada tingkat hidden state, yang berarti lab tersebut memahami representasi internal model dengan cukup baik untuk membangun classifier di atasnya. Itu adalah bentuk keakraban yang lebih dalam daripada perbandingan benchmark. Ini tidak membuktikan bahwa LBS-27B diturunkan dari Qwen3.8 27B — tidak ada bukti untuk itu, dan kedua organisasi adalah perusahaan terpisah, Ant Group dan Alibaba — tetapi ini memang menunjukkan bahwa kelas 27B bukan target acak bagi lab ini.

Itu juga memunculkan kemungkinan yang layak disebut: laboratorium yang merilis probe keselamatan bersama model mungkin memposisikan 27B miliknya pada aspek keterkendalian dan pagar pengaman, bukan pada kepemimpinan benchmark mentah. Jika itulah tawarannya, perbandingan dengan Qwen3.8 27B berubah dari "siapa yang skornya lebih tinggi" menjadi "mana yang lebih mudah diterapkan dengan aman" — pertanyaan berbeda dengan jawaban berbeda.

Tiga kemungkinan yang bisa terjadi

Tanpa kartu model, pendekatan yang jujur adalah menjelaskan bentuk-bentuk yang masuk akal alih-alih memilih salah satunya.

• Alternatif Qwen yang lebih murah. Jika LBS-27B adalah model dense 27B dengan kualitas sebanding dan biaya penyajian lebih rendah, ia bersaing pada harga. Itu sulit melawan model dengan harga $0.33 per juta token masukan, tetapi bukan tidak mungkin jika resep pelatihan inclusionAI lebih efisien atau jika model itu menyasar jumlah parameter aktif yang lebih kecil.

{{1}}Strategi efisiensi. Jika LBS-27B bersifat sparse dengan jumlah aktif yang kecil, ia sepenuhnya menghindari profil komputasi Qwen. Qwen3.8 27B bersifat dense, yang membuatnya mahal per token pada konteks panjang; 27B sparse dengan sebagian kecil aktif dapat menekan biaya sambil mengorbankan sebagian kualitas. Itu adalah strategi {{2}}LFM2.5{{/2}} yang diterapkan pada ukuran lebih besar.{{/1}}

• Ceruk yang berbeda. Jika LBS-27B unggul dalam hal keamanan, cakupan multibahasa, pekerjaan dokumen panjang, atau harness agentik tertentu, bisa jadi model ini sama sekali tidak berusaha mengalahkan Qwen3.8 27B di semua aspek. Singprobe adalah bukti lemah untuk ini, tetapi itulah satu-satunya bukti yang ada.

Masing-masing bentuk tersebut menyiratkan file konfigurasi yang berbeda. Itulah sebabnya pengungkapan arsitektur, ketika nanti muncul, akan lebih informatif daripada postingan blog peluncuran mana pun.

Perbandingan, dengan bagian kosong yang ditandai

• Parameter — Qwen3.8 27B dipasarkan sebagai 27B dan tercantum sebagai 28B dalam BF16; LBS-27B adalah 27B yang belum terverifikasi.

• Arsitektur — hibrida dari lapisan Gated DeltaNet dan Gated Attention untuk Qwen; tidak diketahui untuk LBS.

• Konteks — 262.144 native dan sekitar satu juta dengan YaRN untuk Qwen; tidak diketahui untuk LBS.

• Modalitas — input teks, gambar, dan video dengan output teks untuk Qwen; tidak diketahui untuk LBS.

• Kontrol pemikiran — upaya penalaran pada xhigh, sedang, atau rendah untuk Qwen; tidak diketahui untuk LBS.

• Lisensi — Apache-2.0 untuk Qwen; Apache-2.0 dideklarasikan untuk LBS.

• Harga — $0.33 per juta token input dan $2.40 per juta token output untuk Qwen di OrcaRouter; tidak ada harga untuk LBS.

• Evaluasi — kartu vendor lengkap untuk Qwen, termasuk baris coding, agentic, dan vision; tidak ada untuk LBS.

Harga dan argumen API tunggal

Qwen3.8 27B tersedia di OrcaRouter sebagai qwen/qwen3.8-27b dengan tarif $0.33 per juta token input dan $2.40 per juta token output, dengan konteks penuh 262.144 token. OrcaRouter meneruskan harga daftar penyedia dengan markup 0%, jadi jika Alibaba atau mitra hosting-nya mengubah tarif, angka di sisi kami ikut berubah pada hari yang sama. Ada juga listing Qwen3.8 27B kedua di platform dengan tarif lebih tinggi di bawah nama penyedia yang berbeda, yang layak diperiksa jika Anda membandingkan penawaran.

LBS-27B tidak ada di OrcaRouter. Tidak ada tujuan untuk dirutekan. Ketika bobot tersedia, cara praktis untuk menjawab pertanyaan yang tidak dapat dijawab artikel ini — apakah model baru benar-benar lebih baik untuk beban kerja saya? — adalah mengirim sebagian trafik ke model itu melalui endpoint yang sama sementara Qwen tetap menjadi fallback. Failover otomatis membuatnya menjadi eksperimen yang dapat dibalik, bukan migrasi, dan DSL perutean berarti pembagian tersebut dapat dinyatakan sebagai kebijakan, bukan cabang kode. Itulah peran berguna router dalam perbandingan 27B: bukan memilih pemenang, tetapi memungkinkan Anda mengukur satu terhadap yang lain pada input Anda sendiri.

Apa yang akan membuat ini menjadi perbandingan yang sebenarnya?

Artefak pertama adalah file konfigurasi. Ini akan menentukan dense versus sparse dan memberikan jumlah parameter aktif, yang menentukan apakah LBS-27B bersaing dengan Qwen dalam hal kualitas atau menghindari persaingan itu lewat biaya.

Yang kedua adalah menara visi. Kemampuan multimodal Qwen3.8 27B bukanlah fitur sampingan; itu adalah bagian besar dari alasan model ini kompetitif pada tugas dokumen, UI, dan computer-use. LBS-27B yang hanya teks akan menjadi produk yang lebih kecil yang ditujukan untuk irisan pembeli yang lebih sempit dari basis pembeli yang sama.

Yang ketiga adalah pernyataan posisi dari inclusionAI. Lab tersebut belum mengatakan untuk apa LBS-27B, dan namanya juga tidak menjelaskannya. Segala hal dalam artikel ini tentang niat merupakan inferensi dari sebuah probe, lisensi, dan stempel waktu.

Untuk saat ini, kesimpulan yang dapat dipertahankan masih sempit. Qwen3.8 27B adalah salah satu model 27B terkuat yang tersedia, dengan arsitektur hibrida, multimodalitas native, jalur ekstensi sejuta token, dan harga hosted yang agresif. LBS-27B adalah repositori yang belum menjadi model. Kesenjangan di antara keduanya bukanlah kesenjangan kemampuan; itu adalah jarak antara produk jadi dan nama yang dipesan — dan pertanyaan menariknya adalah apakah sebuah lab yang telah membaca hidden state Qwen sedang bersiap untuk bersaing dengannya atau melengkapinya.