
Ulasan Qwen3.8-27B: 27B open-weight yang "Opus di rumah" — diuji terhadap hype
- OrcaBARUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1 juta token · 187 tok/s
- openaiBARUOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 per 1 juta token · 87 tok/s
- openaiBARUOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 per 1 juta token · 152 tok/s
- tencentBARUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1 juta token · 194 tok/s
- AlibabaBARUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1 juta token · 86 tok/s
- GoogleBARUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1 juta token · 705 tok/s
- AnthropicBARUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1 juta token · 246 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1 juta token · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1 juta token · 138 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1 juta token · 85 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1 juta token · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1 juta token · 102 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1 juta token · 70 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 per 1 juta token · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1 juta token · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Kecerdasan
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1 juta token · 231 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Kecerdasan
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1 juta token · 101 tok/s
Qwen3.8 27B adalah 27B open-weights terbaik yang bisa Anda self-host saat ini, dan tidak ada yang benar-benar mendekatinya. Bobotnya dirilis 14 Agustus 2026 di bawah Apache 2.0: model dense 27B (28B jika menghitung encoder visi) dengan konteks native 262K, input gambar dan video native, serta skor agentic-coding yang dilaporkan vendor yang berada pada atau di atas Claude Opus 4.6 Max — SWE-bench Pro 61.7, DeepSWE 1.1 42.2, LiveCodeBench v6 90.3. Harga utamanya nol: unduh 55.6 GB dan jalankan. Kekurangannya juga nyata — pengujian independen menemukan model ini sekitar tiga kali lebih lambat dan lebih boros token dibandingkan pendahulunya, tabel benchmark vendor masih belum ada yang mereproduksinya, dan konteks 1M adalah fitur yang hanya tersedia di layanan hosted. Perkembangan menarik sejak peluncuran justru ada di luar lembar spesifikasi: pada 13 Oktober, port llama.cpp dari komunitas melaporkan menjalankan bobot ini di GPU PlayStation 5 yang di-jailbreak dengan kecepatan sekitar 20 token per detik. Putusan: jika Anda punya GPU 24 GB+ dan ingin kemampuan yang nyaris setara frontier tanpa tagihan per pemakaian, self-host saja — tetapi masuklah dengan mengetahui persis di mana angka-angkanya masih lemah.
Kesimpulan dulu: haruskah Anda menggunakan Qwen3.8 27B?
Jawaban singkat — ya untuk beban kerja lokal dan privat; tunggu angka dari pihak ketiga sebelum keputusan pengadaan. Qwen3.8 27B adalah model langka di mana bobot terbuka adalah produknya dan API adalah kenyamanannya. Karena lisensinya adalah Apache 2.0, harga per-token menjadi nol secara permanen setelah Anda memiliki perangkat kerasnya, dan tidak ada apa pun yang Anda bangun di atasnya yang dapat dilisensikan ulang atau ditagih secara retroaktif. Yang Anda korbankan adalah kecepatan, verifikasi, dan kenyamanan.
Jika Anda sudah menjalankan Qwen3.6-27B dan merasa puas dengannya, peningkatannya nyata tetapi tidak gratis dalam hal waktu riil. Jika Anda datang ke sini dari peluncuran Qwen3.8-Max, ini adalah anggota generasi yang sama yang lebih kecil dan dapat di-host sendiri — alat yang berbeda untuk pekerjaan yang berbeda.
Fakta singkat, diperiksa 15 Oktober 2026
• Dirilis — bobot model mulai tersedia pada 14 Agustus 2026 di Qwen/Qwen3.8-27B di Hugging Face, dicerminkan di ModelScope; peliputan lintas zona waktu juga menyebut 13 Agustus, dan rilis tersebut hadir sekitar seminggu setelah generasi Qwen3.8 diumumkan.
• Lisensi — Apache 2.0: mengunduh, memodifikasi, mendistribusikan ulang, penggunaan komersial, dengan pemberian paten yang eksplisit. Permanen.
• Parameter — 27B dense (28B termasuk encoder visi), 64 lapisan, ukuran tersembunyi 5.120, kosakata 248.320.
• Arsitektur — atensi hibrida: 48 lapisan atensi linear Gated DeltaNet dibandingkan dengan 16 lapisan Gated Attention penuh (rasio 3:1). Inilah sebabnya model padat 27B dapat mendukung 262K token konteks asli.
• Konteks — 262,144 token secara native; dapat diperluas hingga 1,000,000 melalui YaRN pada versi yang dihosting.
• Input — gambar dan video native bersama teks; mengembalikan teks. Jumlah parameter menunjukkan 28B karena encoder visi.
• Thinking — mode penalaran aktif secara default dan dapat dinonaktifkan sesuai permintaan; reasoning_effort (rendah/sedang/tinggi) dan preserve_thinking untuk proses agen yang panjang.
• Bobot — 55,6 GB safetensors BF16 dalam 18 bagian; FP8 dan GGUFs komunitas juga tersedia.
Spesifikasi di atas berasal dari kartu model dan konfigurasi Hugging Face untuk Qwen3.8 27B, dibaca pada 15 Oktober 2026. Tabel benchmark vendor dilaporkan oleh Alibaba dan masih belum direproduksi. Satu-satunya evaluasi independen yang tercatat adalah milik Artificial Analysis, yang memberi skor Qwen3.8 27B sebesar 34 pada Intelligence Index-nya dan mengukur 41,2 token output per detik — satu indeks dibandingkan kartu yang penuh dengan angka vendor, dan tidak mereproduksinya.
Apa yang Qwen3.8 27B benar-benar kuasai
Kasus terkuat adalah agentic software engineering. Alibaba melaporkan lonjakan 3x pada DeepSWE 1.1 dibandingkan 27B sebelumnya (42.2 vs 13.3) dan skor di atas Claude Opus 4.6 Max pada SWE-bench Pro (61.7 vs 53.4). Angka-angka itulah yang membuatnya mendapat julukan "Opus at home" — model 27B yang padat yang melakukan pekerjaan pengodean berdekatan dengan frontier pada perangkat keras yang benar-benar dapat dimiliki seseorang.

Tiga hal selain angka-angka mentah menjadikannya pembelian yang dapat dipertahankan:
• Multimodal native. Gambar dan video masuk, teks keluar — dokumen dengan diagram atau video walkthrough bukanlah model terpisah. Skor penalaran visual (85.6 dengan fitur chain-of-thought diaktifkan, 94.6 matematika visual, keduanya dilaporkan vendor) adalah bukti nilai encoder visi.
• 262K konteks native.Tugas agen jangka panjang, codebase besar, dan transkrip multi-jam muat dalam satu jendela. Desain hybrid linear-attention menjaga biaya KV dari konteks tersebut lebih rendah daripada model full-attention murni dengan ukuran yang sama.
• Bobot gratis dan permanen. Inilah inti kategori ini: model API tertutup disewa; Qwen3.8 27B adalah milik Anda. Pada 4-bit, ia berjalan di kartu 24 GB (kelas RTX 3090/4090), dan AMD memberikan dukungan Day-0 (hingga 24.5 token/s pada Ryzen AI Max+ 395 dan 51.8 token/s pada Radeon AI PRO R9700, menurut blog AMD sendiri).
Bagian di mana ulasan menjadi buruk: kecepatan, token, dan verifikasi
Pengujian independen sejauh ini hanyalah perangkat uji seorang penguji, bukan laboratorium — tetapi itu adalah sinyal terbaik yang kita miliki. Menjalankan Qwen3.8 27B melawan Qwen3.6-27B pada sepuluh tugas dunia nyata (dinilai oleh GPT-5.5 melalui harness llmcompare), model 3.8 memenangkan sembilan dari sepuluh dan mencetak rata-rata 8.838 vs 6.862 — "salah satu peningkatan kecerdasan yang paling mengesankan" yang pernah dilihat penguji. Model ini juga menggunakan hampir tiga kali lebih banyak token dan jauh lebih lambat; satu tugas memakan waktu sekitar 600% lebih lama. Jadi lonjakan kualitas itu nyata, begitu pula harganya dalam waktu yang dibutuhkan.
Empat hal lagi yang memberatkannya:
• Benchmark independen, lebih sedikit daripada yang tersirat oleh kartu tersebut. Kartu vendor itu terperinci dan setiap angka di dalamnya tetap dilaporkan sendiri oleh Alibaba. Skor Intelligence Index dari Artificial Analysis sebesar 34, yang dibaca pada 15 Oktober, adalah evaluasi independen pertama yang dimiliki model ini — satu skor, dari satu laboratorium, yang tidak menjelaskan apa pun tentang SWE-bench Pro 61.7 atau DeepSWE 1.1 42.2. Jika keputusan Anda menuntut klaim agentik tersebut dapat direproduksi, klaim itu belum terbukti.
• Batas minimum VRAM itu nyata. BF16 membutuhkan GPU kelas 80 GB. Untuk masuk ke kartu 24 GB, Anda harus menjalankan 4-bit, dan laporan komunitas (utas komentar dev.to, beberapa hari setelah rilis) mengatakan build terkuantisasi "kehilangan fokus setelah konteks panjang." Bobot resmi jika Anda punya VRAM-nya; terkuantisasi jika tidak — dan jalur kuantisasi kini menjangkau perangkat keras yang jauh di bawah kartu 24 GB, yang mana pengukuran PlayStation 5 di bawah ini adalah bukti nyata pertamanya.
• Konteks 1M hanya tersedia di layanan hosted. Bobot terbuka (open weights) dibatasi hingga 262K. Angka yang dapat diperluas hingga 1M adalah fitur Qwen Cloud yang di-host, bukan sesuatu yang dapat dilakukan salinan lokal secara langsung.
• "Beats Opus" perlu kualifikasi. Benchmark agenik memberi penghargaan pada perilaku spesifik harness, dan komentar teratas pada pos peluncuran dev.to mengatakannya secara blak-blakan: "mereka tidak mengalahkan opus dalam penggunaan dunia nyata." Perlakukan papan skor sebagai batas atas pada hari yang baik, bukan sebuah janji.
Bagaimana posisinya dalam keluarga Qwen 3.8
• vs Qwen3.6-27B — kelas perangkat keras yang sama dan konteks 262K, tetapi lompatan kemampuan yang besar dengan mengorbankan kecepatan dan efisiensi token. Jika Anda sudah menjalankan 3.6 dan terkendala throughput, tetap bertahan adalah hal yang masuk akal.
• vs Qwen3-Coder-30B-A3B— Coder adalah MoE dengan sekitar 3,3 miliar parameter aktif yang berjalan jauh lebih cepat (~90–110 token/detik). 27B yang padat lebih lambat per token tetapi mewarisi keuntungan agentik dari generasi ini; jika skor rekayasa perangkat lunak 27B bertahan dalam pengujian independen, peran Coder-30B menyusut.
• vs Qwen3.8-Max — andalan MoE 2.4T adalah model pusat data (khusus API, sekitar $2/$6 per juta token dalam liputan yang dipublikasikan) dengan konteks 1M dan video. 27B adalah yang dapat disebarkan. Keduanya menjawab pertanyaan yang berbeda.
Batas minimum perangkat keras berubah pada 13 Oktober
PS5LM adalah port llama.cpp yang menjalankan model GGUF di PlayStation 5 yang di-jailbreak, di dalam konsol yang sudah Anda miliki. Build yang dirilisnya masih sederhana — v0.1.1, payload tunggal yang terbatas pada model sekitar 1,6 GB, yaitu Qwen3.5 2B pada 4-bit dan tidak ada yang lebih besar, hanya di CPU. Pada 13 Oktober, proyek ini menerima pull request yang mengubah gambaran daftar perangkat keras: jalur aplikasi native yang menautkan llama-server dengan driver Vulkan komunitas untuk konsol tersebut, dan melaporkan Qwen3.8 27B pada 20,7 token per detik dengan kuantisasi UD-IQ2_XXS (6,77 GiB, konteks 64k) dan 20,3 token per detik pada UD-Q2_K_XL (9,15 GiB, konteks 32k, cache q4_0), dengan satu jawaban 7.775 token yang bertahan di 19,7 token per detik. Konsol yang sama menghasilkan 61 token per detik pada Gemma 4 E4B dan 124 pada Llama 3.2 3B Instruct, itulah yang membuat angka 27B layak dibaca: ini bukan model kecil yang membuat angka besar tampak mengesankan.
Beri label pada informasi itu sebelum Anda menindaklanjutinya. Angka-angka tersebut adalah pengukuran penulis pull request sendiri pada branch yang belum di-merge, bukan benchmark vendor dan bukan build yang sudah dirilis. Repositori PS5LM sendiri masih mencantumkan GPU offload dan Qwen 3.8 27B sebagai item roadmap yang belum dirilis, dan komentar maintainer pada pull request tersebut menyatakan bahwa ia akan mereproduksi angka-angka itu di konsolnya sendiri sebelum README memuatnya. Penguji kedua melaporkan aplikasi tersebut berjalan sama sekali — firmware 4.50, model 7B dan 9B pada sekitar 30 token per detik — yang menguatkan mekanismenya tanpa mereproduksi hasil 27B. Untuk sampai ke sana juga diperlukan konsol milik Anda sendiri, firmware 7.00 hingga 13.60, dan jailbreak.
Yang diubahnya adalah bentuk pertanyaan biaya, bukan jawabannya. Model dense 27B dengan kecepatan kira-kira 20 token per detik di konsol game lebih lambat daripada model yang sama yang dilayani dari GPU sungguhan — Artificial Analysis mengukur 41,2 token per detik melalui API milik Alibaba sendiri, dan 20 token per detik adalah kecepatan build 2-bit, dengan penurunan kualitas yang tersirat dari kompresi. Jadi ini bukan alasan untuk melewatkan kartu 24 GB; ini bukti bahwa kelas ini portabel jauh di bawahnya. Jika yang sebenarnya Anda inginkan adalah mengetahui apakah model itu bagus sebelum menghabiskan akhir pekan untuk jailbreak, rute murahnya adalah panggilan berbayar per pemakaian: satu kunci untuk 200+ model, tanpa kontrak kedua, dan failover otomatis antar penyedia jika endpoint goyah saat Anda mengevaluasi.
Biaya: pertanyaan lokal-versus-API, terjawab.
Untuk model tertutup, Anda membandingkan harga per token. Untuk Qwen3.8 27B token marginal tidak memakan biaya apa pun di perangkat keras Anda sendiri — harga sebenarnya adalah GPU di muka dan waktu Anda. Pada 4-bit, itu adalah kartu 24 GB; pada BF16, itu adalah mesin kelas 80 GB. Jika Anda tidak memiliki mesin tersebut, atau Anda ingin jawaban sebelum menginvestasikan 55.6 GB disk, rute hosted tersedia: OrcaRouter mencantumkan Qwen3.8 27B dengan $0.33 per juta input dan $2.40 per juta token output di halaman model OrcaRouter, yang merupakan harga daftar penyedia yang diteruskan pada 0% markup (diperiksa 15 Oktober 2026). Tier gratis dengan pembatasan laju yang dijelaskan halaman ini pada Agustus tidak lagi muncul di sana — anggap sudah usang kecuali Anda melihatnya dinyatakan. API milik Alibaba sendiri adalah rute hosted lainnya, yang oleh Artificial Analysis dicantumkan pada $0.50 dan $3.00 per juta untuk konfigurasi penalaran Xhigh. Versi hosted Qwen Cloud, dengan konteks 1M, masih ditandai "segera hadir."

Kerangka yang jujur: untuk model dengan bobot terbuka, penyedia hanyalah kemudahan, bukan ketergantungan. Panggilan hosted berbayar per pemakaian adalah cara termurah untuk memutuskan apakah unduhan 55,6 GB layak dilakukan; ini juga satu-satunya cara untuk menguji model tanpa terlebih dahulu menyelesaikan masalah perangkat keras yang dijelaskan paragraf PlayStation 5. Tetapi begitu Anda memutuskan, bobot itulah yang penting — dan bobot itu gratis.
Cara benar-benar mencobanya
• Evaluasi tercepat — panggil di endpoint terkelola dengan harga $0,33/$2,40 per juta; beberapa ratus ribu token untuk pekerjaan nyata hanya berbiaya sen dan langsung menjawab pertanyaan itu sebelum Anda mengunduh apa pun.
• Uji nyata pada perangkat keras Anda — unduh GGUF komunitas (build Q4_K_M berukuran sekitar 17 GB dan muat di kartu 24 GB) lalu jalankan di llama.cpp atau Ollama. Berikan templat obrolan Jinja, atau model akan menjawab Anda dalam tag pemikiran. Untuk visi dari GGUF, Anda juga memerlukan file mmproj terpisah. Buku panduan kami untuk menjalankan Qwen3.8 27B secara lokal memandu Anda langkah demi langkah.
• Presisi penuh — huggingface-cli download Qwen/Qwen3.8-27B ke GPU kelas 80 GB.
• Verifikasi apa yang Anda unduh — periksa penerbitnya adalah Qwen org dan validasi shard terhadap crc32.txt; repositori tiruan muncul sebelum rilis.
Ketika ulasan ini salah (dan siapa yang seharusnya melewatkan Qwen3.8 27B)
• Anda tidak memiliki GPU dan tidak akan menyewa satu pun. Tier hosted adalah $0.33/$2.40 per juta — model API kecil dapat melayani Anda dengan lebih murah dan lebih andal. Model ini ditujukan untuk orang yang ingin memiliki inferensi.
• Anda memerlukan SLA. Tier hosted diluncurkan pada pertengahan Agustus; halaman model OrcaRouter, yang dibaca pada 15 Oktober, menunjukkan tingkat galat 2,8% selama tujuh hari terakhir, latensi token pertama p50 sebesar 3,23 s, dan keluaran 156 token per detik di seluruh 77,2 juta token yang dirutekan dalam jendela tersebut. Setelah dua bulan berjalan, itu adalah endpoint yang berfungsi, bukan antrean hari peluncuran — tetapi rata-rata selama sepekan terakhir tetap bukan kontrak produksi. Para self-hoster harus menyematkan commit unduhan mereka dan menyiapkan opsi cadangan.
• Anda perlu klaim agentik vendor direproduksi, bukan hanya satu skor indeks. Skor Intelligence Index dari Artificial Analysis sebesar 34 adalah satu-satunya angka independen yang dimiliki model ini, dan itu tidak mengatakan apa pun tentang SWE-bench Pro 61,7 atau DeepSWE 1.1 42,2 — keduanya masih dilaporkan oleh Alibaba. Bersifat indikatif arah, bukan standar pengadaan.
• Konteks open-weights 262K tidak cukup. Ekstensi 1M saat ini hanya tersedia di versi hosted.
• Throughput adalah hambatan Anda.Ringkasan massal atau batch besar akan merugikan: ini adalah model 27B yang padat dan juga menghabiskan kira-kira 3x token dari pendahulunya. Untuk pekerjaan massal berbiaya rendah, model yang lebih kecil atau lebih cepat lebih unggul.
• Anda menggunakan kartu 12 GB. GGUF 2-bit muat dengan penurunan kualitas yang terlihat — itulah konfigurasi di balik titik data PlayStation 5 di atas — jadi ini adalah model untuk dieksperimenkan, bukan untuk dijadikan standar.

Intinya
Qwen3.8 27B adalah 27B open-weights terkuat yang tersedia saat ini, dan gratis selamanya di bawah Apache 2.0. Jika Anda memiliki GPU 24 GB+ dan menginginkan pengkodean agentik, konteks 262K, serta input gambar/video native tanpa tagihan berbasis pemakaian, inilah pilihan yang tepat. Alasan untuk menundanya sama konkretnya: Anda membutuhkan klaim pengkodean agentik dari vendor yang direproduksi di tempat selain kartu model, SLA, konteks open-weights lebih dari 262K, atau throughput lebih tinggi daripada yang diberikan 27B dense. Model ini sudah dirilis, bobotnya nyata, satu-satunya skor independen sejauh ini adalah 34 yang cukup terhormat, dan batas bawah perangkat keras ternyata lebih rendah daripada yang diasumsikan dalam liputan peluncuran. Ingat saja angka mana yang berasal dari lab dan mana yang berasal dari vendor.
