LBS-27B 대 Qwen3.8 27B: 27B의 기준선, 그리고 그 기준선을 읽어온 연구소

6주 전, LBS-27B가 빈 저장소로 등장하기에 앞서 inclusionAI는 다른 모델을 공개했습니다: inclusionAI/Qwen3.8-27B-singprobe, Alibaba의 Qwen3.8 27B 위에 구축된 작은 스트리밍 가드레일 프로브입니다. 이는 언어 모델도 아니고 경쟁자도 아닙니다. 이는 Qwen3.8 27B가 생성하는 동안 해당 모델의 은닉 상태를 읽는 안전 분류기이며, 그 존재는 스펙 시트로는 알 수 없는 것을 알려줍니다: 방금 LBS-27B라는 이름을 예약한 연구소는 동일한 파라미터 슬롯을 차지하는 모델과 직접 작업해 왔다는 것입니다.

그래서 이 배치에서 가장 중요한 맞대결이 바로 이것이다. Gemma 4 26B A4B는 아키텍처도 가격대도 다르고, Granite 4.2 30B는 기업용 밀집 모델 전략이며, LFM2.5 24B A2B는 효율성 실험이다. Qwen3.8 27B는 진지한 중국 연구소가 새 27B 모델을 내놓는다면 가장 그럴듯하게 겨냥할 모델이다. LBS-27B가 이에 대한 도전인지, 더 저렴한 대안인지, 아니면 전혀 다른 무엇인지는 28바이트짜리 라이선스 파일이 들어 있는 저장소만으로는 알 수 없다. 하지만 Qwen이 세운 기준은 알 수 있으며, 그 기준은 높다.

Qwen3.8 27B는 실제로 무엇인가

Qwen3.8 27B는 27B 모델로 마케팅되며, Hugging Face에서 BF16 기준 28B 파라미터로 표기되고, 표준 트랜스포머가 아닌 하이브리드 어텐션 스택을 기반으로 구축되었다. 모델 카드는 16개의 반복 블록을 설명하며, 각 블록은 3개의 Gated DeltaNet 레이어와 그 뒤를 잇는 1개의 Gated Attention 레이어로 구성되고, 히든 크기 5,120, 64개 레이어, 24개 어텐션 헤드, 4개 키-값 헤드, 17,408 너비의 피드포워드 차원을 갖는다. 어휘 크기는 248,320 토큰이다.

컨텍스트 창은 기본적으로 262,144토큰이며, YaRN을 사용하면 약 100만 개까지 확장할 수 있습니다. 기본적으로 멀티모달입니다. 텍스트, 이미지, 비디오를 입력받아 텍스트를 출력합니다. 사고 기능은 기본적으로 켜져 있으며, 추론 노력 수준은 xhigh, medium, low이고, 사고 보존 플래그는 기본적으로 활성화되어 있습니다. 라이선스는 Apache-2.0입니다. 가중치는 2026년 8월에 공개되었습니다.

아키텍처는 잠시 짚고 넘어갈 만한 부분입니다. Gated DeltaNet 레이어는 전체 어텐션보다 시퀀스 길이에 따라 더 잘 확장되는 선형 어텐션 변형이며, 이를 소수의 전체 어텐션 레이어와 교차 배치하는 것은 모든 레이어에서 이차 비용을 치르지 않고도 긴 컨텍스트 동작을 얻는 방법입니다. 이는 단순한 덴스 스택보다 더 야심찬 설계이며, 첫 시도에서 그에 필적하기 어려운 종류의 것입니다.

숫자로 보는 바

다음은 모두 Qwen이 자체 보고한 결과이며, 저희가 독립적으로 재현한 것은 아닙니다. 그래도 여전히 관련 기준점입니다. 구매자가 비교하게 될 대상이 바로 이것이기 때문입니다.

• 코딩 및 소프트웨어 엔지니어링 — LiveCodeBench v6 90.3, QwenSWEBench 79.0, SWE-bench Pro 61.7, DeepSWE 1.1 42.2, NL2Repo-Bench 42.3.

• 터미널 및 에이전트형 작업 — Terminal-Bench 2.1 (Terminus) 73.0, CoWorkBench 70.7, JobBench 33.4, Agents' Last Exam 20.4 pass@1 및 42.9점.

• 지식 및 추론 — GPQA Diamond 89.2, Humanity's Last Exam 30.8, IFBench 79.5. HLE 수치는 27B 모델로서는 이례적으로 높으며, 카드에서 가장 눈에 띄는 단일 수치입니다.

• 비전 및 컴퓨터 사용 — OSWorld-Verified 84.3, AndroidWorld 81.9, WebArena Verified 64.8, MathVision은 사고의 연쇄 통합 없이 90.0, 통합 시 94.6, OmniDocBench 1.5 91.1, RealWorldQA 85.9, CharXiv 추론 83.7 및 통합 시 90.2.

• 상대적으로 약한 항목 — SWE-MM 38.6, RecreationBench 47.1, ClawEval-MM 57.4 pass@3. 약한 항목조차도 괜찮은 수준입니다.

이것은 한 축에서 승리하는 모델이 아니다. 코딩, 지식, 비전, 컴퓨터 사용 전반에서 동시에 경쟁력을 갖추고 있으며, 바로 이것이 동일 규모의 도전자가 포지셔닝하기 어렵게 만드는 프로필이다. 새로운 27B는 한 가지에서 약간 더 나은 것으로 이것을 이길 수 없다; 다른 논리가 필요하다.

LBS-27B가 보여준 것

평가할 수 있는 것은 없습니다. 저장소는 2026년 10월 26일 05:36 UTC에 생성되었으며, 1,519바이트 크기의 .gitattributes 파일과 28바이트 README가 포함되어 있습니다. README는 라이선스 선언이며 오직 라이선스 선언뿐입니다: license: apache-2.0. 가중치도, 구성 파일도, 토크나이저도, 모델 카드도, 벤치마크 행도 없습니다. 다운로드 수는 추적되지 않고 좋아요는 0이며, 이 모델에 관한 발표나 논문, 공개 논의는 어디에서도 찾을 수 없었습니다.

"27B"는 이름입니다. 전체 파라미터 수로 확인된 것도 아니고, 활성 파라미터 수는 말할 것도 없으며, 해당 모델이 덴스인지, 스파스인지, 아니면 Qwen처럼 하이브리드 어텐션 스택을 기반으로 구축되었는지에 대한 징후도 없습니다.

그 탐사선이 가장 흥미로운 단서다.

inclusionAI의 Qwen3.8-27B-singprobe는 2026년 9월 14일에 생성되었으며 안전성, 가드레일, 스트리밍 및 환각 탐지 태그가 지정되어 있습니다. Qwen3.8 27B를 기반으로 하고 Apache-2.0 라이선스가 적용되며, 작성 시점 기준 다운로드 219회와 좋아요 2개로 큰 주목을 받지 못했습니다.

그 중요성은 인기에 있지 않다. 이는 inclusionAI가 Qwen3.8 27B를 은닉 상태 수준에서 계측해 왔음을 보여주며, 이는 해당 연구소가 모델의 내부 표현을 충분히 잘 이해해 그 위에 분류기를 구축할 수 있다는 뜻이다. 이는 벤치마크 비교보다 더 깊은 형태의 친숙함이다. LBS-27B가 Qwen3.8 27B에서 파생되었다는 것을 증명하지는 않는다 — 그에 대한 증거는 없으며, 두 조직은 별개의 회사인 Ant Group과 Alibaba이다 — 그러나 27B급이 이 연구소에게 무작위 대상은 아니라는 점을 시사한다.

이는 또한 이름 붙여볼 만한 가능성을 제기한다. 모델과 함께 안전성 프로브를 제공하는 연구소는 자사의 27B를 순수 벤치마크 점수상의 선도력보다는 제어 가능성과 가드레일을 중심으로 포지셔닝할 수 있다. 그것이 제안의 핵심이라면, Qwen3.8 27B와의 비교는 "누가 더 높은 점수를 받는가"에서 "어느 쪽이 더 안전하게 배포하기 쉬운가"로 바뀐다 — 다른 질문이고 다른 답이 나온다.

이 일이 흘러갈 수 있는 세 가지 방식

모델 카드가 없다면, 정직한 접근은 하나를 고르기보다 그럴듯한 형태들을 설명하는 것입니다.

• 더 저렴한 Qwen 대안. LBS-27B가 비슷한 품질과 더 낮은 서빙 비용을 갖춘 dense 27B라면, 가격으로 경쟁한다. 이는 입력 토큰 100만 개당 $0.33인 모델을 상대로는 어렵지만, inclusionAI의 학습 레시피가 더 효율적이거나 더 적은 활성 파라미터 수를 목표로 한다면 불가능한 일은 아니다.

• 효율성 승부수다. LBS-27B가 활성 파라미터 수가 적은 sparse 모델이라면, Qwen의 연산 프로파일을 완전히 비껴간다. Qwen3.8 27B는 dense 모델이라 긴 컨텍스트에서 토큰당 비용이 높다. 일부만 활성화되는 sparse 27B는 품질을 다소 포기하는 대신 비용에서 이를 앞설 수 있다. 이는 더 큰 규모에 적용한 LFM2.5 전략이다.

• 다른 틈새. LBS-27B가 안전성, 다국어 지원, 장문 문서 작업 또는 특정 에이전트 하네스를 앞세운다면, 애초에 Qwen3.8 27B를 전반적으로 이기려는 것이 아닐 수 있다. singprobe는 이에 대한 약한 증거이지만, 존재하는 유일한 증거다.

그 형태들 각각은 서로 다른 구성 파일을 의미한다. 그래서 아키텍처 공개가 이루어지면, 그것은 어떤 출시 블로그 글보다도 더 많은 정보를 줄 것이다.

빈칸이 표시된 비교

• 매개변수 — Qwen3.8 27B는 27B로 마케팅되지만 BF16에서는 28B로 표기되며, LBS-27B는 검증되지 않은 27B입니다.

• 아키텍처 — Qwen용 Gated DeltaNet 및 Gated Attention 레이어의 하이브리드; LBS는 알 수 없음.

• 컨텍스트 — Qwen은 262,144 네이티브이며 YaRN 사용 시 약 100만, LBS는 알 수 없음.

• 모달리티 — Qwen의 경우 텍스트, 이미지 및 비디오 입력과 텍스트 출력, LBS는 알 수 없음.

• 사고 제어 — Qwen의 경우 추론 강도를 xhigh, medium, low로 설정, LBS는 알 수 없음.

• 라이선스 — Qwen은 Apache-2.0, LBS는 Apache-2.0으로 선언됨.

• 가격 — OrcaRouter의 Qwen 기준 입력 토큰 100만 개당 $0.33, 출력 토큰 100만 개당 $2.40이며, LBS는 가격이 없습니다.

• 평가 — Qwen에 대한 전체 벤더 카드로, 코딩, 에이전트형, 비전 항목을 포함하며, LBS에 대한 항목은 없음.

가격과 단일 API 논거

Qwen3.8 27B는 OrcaRouter에서 qwen/qwen3.8-27b로 이용 가능하며, 입력 토큰 100만 개당 $0.33, 출력 토큰 100만 개당 $2.40이고, 262,144토큰의 전체 컨텍스트를 제공합니다. OrcaRouter는 제공업체 정가를 0% 마크업으로 그대로 적용하므로, 알리바바나 그 호스팅 파트너가 요금을 변경하면 저희 쪽 수치도 같은 날 바뀝니다. 또한 플랫폼에는 다른 제공업체 이름으로 더 높은 요율의 두 번째 Qwen3.8 27B 목록도 있는데, 견적을 비교 중이라면 확인해 볼 가치가 있습니다.

LBS-27B는 OrcaRouter에 없습니다. 라우팅할 대상이 없습니다. 가중치가 존재할 때, 이 글에서 답할 수 없는 질문 — 새 모델이 정말 내 워크로드에 더 나은가? — 에 답하는 실용적인 방법은 Qwen을 폴백으로 유지한 채 동일한 엔드포인트를 통해 트래픽의 일부를 새 모델로 보내는 것입니다. 자동 페일오버 덕분에 이는 마이그레이션이 아니라 되돌릴 수 있는 실험이 되고, 라우팅 DSL 덕분에 분할은 코드 분기가 아닌 정책으로 표현할 수 있습니다. 27B 비교에서 라우터의 유용한 역할은 바로 이것입니다. 승자를 고르는 것이 아니라, 여러분 자신의 입력으로 한 모델을 다른 모델과 비교 측정할 수 있게 해주는 것입니다.

이것을 진짜 비교로 만들려면 무엇이 필요할까요?

첫 번째 아티팩트는 구성 파일입니다. 이것이 dense 대 sparse 문제를 판가름하고 활성 파라미터 수를 알려줄 텐데, 이 수치가 LBS-27B가 Qwen과 품질로 경쟁하는지 아니면 비용 측면에서 우회하는지를 결정합니다.

두 번째는 비전 타워입니다. Qwen3.8 27B의 멀티모달 능력은 부가 기능이 아니라, 이 모델이 문서, UI, 컴퓨터 사용 작업에서 경쟁력을 갖는 큰 이유입니다. 텍스트 전용 LBS-27B는 같은 구매자층의 더 좁은 부분을 겨냥한 더 작은 제품이 될 것입니다.

세 번째는 inclusionAI의 포지셔닝 성명입니다. 이 연구소는 LBS-27B의 용도를 밝히지 않았고, 이름도 그것을 말해주지 않습니다. 이 글에서 의도에 관한 모든 내용은 프로브 하나, 라이선스 하나, 타임스탬프 하나에서 추론한 것입니다.

현재로서 내릴 수 있는 방어 가능한 결론은 제한적이다. Qwen3.8 27B는 이용 가능한 가장 강력한 27B 모델 중 하나로, 하이브리드 아키텍처, 네이티브 멀티모달리티, 백만 토큰 확장 경로, 그리고 공격적인 호스팅 가격을 갖추고 있다. LBS-27B는 아직 모델이 되지 못한 리포지토리다. 둘 사이의 격차는 능력의 격차가 아니다. 그것은 완성된 제품과 예약된 이름 사이의 거리다. 그리고 흥미로운 질문은 Qwen의 은닉 상태를 읽어 온 연구소가 Qwen과 경쟁할 준비를 하는지, 아니면 보완할 준비를 하는지다.