LBS-27B vs Qwen3.8 27B: De lat op 27B, en het lab dat die al die tijd leest

Zes weken voordat LBS-27B als een lege repository verscheen, publiceerde inclusionAI een ander model: inclusionAI/Qwen3.8-27B-singprobe, een kleine streaming guardrail-probe gebouwd bovenop Alibaba's Qwen3.8 27B. Het is geen taalmodel en het is geen concurrent. Het is een veiligheidsclassifier die de verborgen toestanden van Qwen3.8 27B leest terwijl dat model genereert, en het bestaan ervan vertelt je iets wat een specificatieblad niet kan: het lab dat zojuist de naam LBS-27B heeft gereserveerd, werkt al direct met het model dat dezelfde parameterslot inneemt.

Dat is waarom dit de matchup is die er in deze batch het meest toe doet. Gemma 4 26B A4B is een andere architectuur en een andere prijsklasse; Granite 4.2 30B is een dense enterprise-inzet; LFM2.5 24B A2B is een efficiëntie-experiment. Qwen3.8 27B is het model waar een nieuwe 27B van een serieus Chinees lab het meest waarschijnlijk op gericht zou zijn. Of LBS-27B een uitdaging voor dat model vormt, een goedkoper alternatief is of iets heel anders, valt niet te weten uit een repository met een licentiebestand van 28 bytes — maar de lat die Qwen heeft gelegd, is wel kenbaar, en die ligt hoog.

Wat Qwen3.8 27B eigenlijk is

Qwen3.8 27B wordt op de markt gebracht als een 27B-model, vermeld met 28B parameters in BF16 op Hugging Face, en gebouwd op een hybride attention-stack in plaats van een standaard transformer. De kaart beschrijft zestien zich herhalende blokken, elk met drie Gated DeltaNet-lagen gevolgd door één Gated Attention-laag, met een verborgen grootte van 5.120, 64 lagen, 24 attention-heads, 4 key-value-heads en een feed-forwarddimensie van 17.408 breed. De vocabulaire omvat 248.320 tokens.

Het contextvenster is native 262.144 tokens, uitbreidbaar tot ongeveer één miljoen met YaRN. Het is native multimodaal: tekst, afbeeldingen en video erin, tekst eruit. Denken staat standaard aan, met reasoning-effortniveaus xhigh, medium en low, en een preserve-thinking-vlag die standaard is ingeschakeld. De licentie is Apache-2.0. De weights verschenen in augustus 2026.

De architectuur is het onderdeel waar het de moeite loont even bij stil te staan. Gated DeltaNet-lagen zijn varianten van lineaire attention die beter schalen met de sequentielengte dan volledige attention, en ze afwisselen met een klein aantal volledige-attentielagen is een manier om gedrag bij lange contexten te krijgen zonder op elke laag kwadratische kosten te betalen. Het is een ambitieuzer ontwerp dan een gewone dense stack, en het is iets dat moeilijk te evenaren is bij een eerste poging.

De bar, in cijfers

Alle onderstaande resultaten zijn door Qwen zelf gerapporteerd en zijn niet onafhankelijk door ons gereproduceerd. Ze blijven de relevante maatstaf, omdat ze zijn waarmee een koper zal vergelijken.

• Programmeren en software-engineering — LiveCodeBench v6 90,3, QwenSWEBench 79,0, SWE-bench Pro 61,7, DeepSWE 1.1 42,2, NL2Repo-Bench 42,3.

• Terminal- en agentisch werk — Terminal-Bench 2.1 (Terminus) 73,0, CoWorkBench 70,7, JobBench 33,4, Agents' Last Exam 20,4 pass@1 en 42,9 score.

• Kennis en redeneren — GPQA Diamond 89,2, Humanity's Last Exam 30,8, IFBench 79,5. Het HLE-cijfer is ongewoon hoog voor een 27B-model en is het meest in het oog springende getal op de kaart.

• Visie en computergbruik — OSWorld-Verified 84,3, AndroidWorld 81,9, WebArena Verified 64,8, MathVision 90,0 zonder chain-of-thought-integratie en 94,6 daarmee, OmniDocBench 1.5 91,1, RealWorldQA 85,9, CharXiv-redenering 83,7 en 90,2 met integratie.

• Zwakkere rijen — SWE-MM 38,6, RecreationBench 47,1, ClawEval-MM 57,4 pass@3. Zelfs de zwakke rijen zijn respectabel.

Dit is geen model dat op één as wint. Het is tegelijkertijd competitief op het gebied van coderen, kennis, vision en computergebruik, en dat is precies het profiel dat een uitdager van dezelfde omvang moeilijk te positioneren maakt. Een nieuwe 27B kan het niet verslaan door net iets beter te zijn in één ding; het heeft een ander argument nodig.

Wat LBS-27B heeft laten zien

Niets dat kan worden geëvalueerd. De repository is aangemaakt op 26 oktober 2026 om 05:36 UTC en bevat een .gitattributes-bestand van 1.519 bytes en een README van 28 bytes. De README is de licentieverklaring en alleen de licentieverklaring: license: apache-2.0. Er zijn geen gewichten, geen configuratie, geen tokenizer, geen modelkaart en geen benchmarkrijen. Downloads worden niet bijgehouden en likes zijn nul, en we konden nergens een aankondiging, paper of openbare discussie over het model vinden.

De "27B" is een naam. Het is niet bevestigd als een totaal aantal parameters, laat staan als een actief aantal, en er is geen aanwijzing of het model dense of sparse is, of gebouwd is op een hybride attention-stack zoals die van Qwen.

De sonde is de meest interessante aanwijzing.

inclusionAI's Qwen3.8-27B-singprobe is gemaakt op 14 september 2026 en is getagd voor veiligheid, guardrails, streaming en hallucinatiedetectie. Het is gebaseerd op Qwen3.8 27B, gelicentieerd onder Apache-2.0, en het heeft weinig aandacht getrokken — 219 downloads en twee likes op het moment van schrijven.

De betekenis ervan ligt niet in de populariteit. Het laat zien dat inclusionAI Qwen3.8 27B op het niveau van hidden states instrumenteert, wat betekent dat het lab de interne representaties van het model goed genoeg begrijpt om er een classifier op te bouwen. Dat is een diepere vorm van vertrouwdheid dan een benchmarkvergelijking. Het bewijst niet dat LBS-27B is afgeleid van Qwen3.8 27B — daar is geen bewijs voor, en de twee organisaties zijn aparte bedrijven, Ant Group en Alibaba — maar het suggereert wel dat de 27B-klasse geen willekeurig doelwit is voor dit lab.

Het werpt ook een mogelijkheid op die het benoemen waard is: een lab dat veiligheidssondes samen met modellen levert, positioneert zijn eigen 27B mogelijk rond beheersbaarheid en vangrails in plaats van pure leiderschap op benchmarks. Als dat de propositie is, verandert de vergelijking met Qwen3.8 27B van "wie scoort hoger" naar "welke is gemakkelijker veilig te implementeren" — een andere vraag met een ander antwoord.

Drie manieren waarop dit kan verlopen

Zonder een modelkaart is de eerlijke aanpak om de plausibele vormen te beschrijven in plaats van er één te kiezen.

• Een goedkoper alternatief voor Qwen. Als LBS-27B een dense 27B-model is met vergelijkbare kwaliteit en lagere serveerkosten, concurreert het op prijs. Dat is moeilijk tegen een model van $0,33 per miljoen inputtokens, maar niet onmogelijk als het trainingsrecept van inclusionAI efficiënter is of als het mikt op een kleiner aantal actieve parameters.

• Een efficiëntie-zet. Als LBS-27B sparse is met een klein aantal actieve parameters, omzeilt het Qwens compute-profiel volledig. Qwen3.8 27B is dense, wat het per token duur maakt bij een lange context; een sparse 27B met een fractie actief zou het op kosten kunnen onderbieden, terwijl het wat kwaliteit inlevert. Dat is de LFM2.5-strategie toegepast op een groter formaat.

• Een andere niche. Als LBS-27B uitblinkt in veiligheid, meertalige dekking, werk met lange documenten of een specifieke agentische harness, dan probeert het misschien helemaal niet om Qwen3.8 27B op alle fronten te verslaan. De singprobe is hiervoor zwak bewijs, maar het is het enige bewijs dat er is.

Elk van die vormen impliceert een ander configuratiebestand. Daarom zal de onthulling van de architectuur, wanneer die komt, informatiever zijn dan welke blogpost over de lancering dan ook.

De vergelijking, met de lege plekken gemarkeerd

• Parameters — Qwen3.8 27B wordt als 27B op de markt gebracht en als 28B vermeld in BF16; LBS-27B is een niet-geverifieerde 27B.

• Architectuur — een hybride van Gated DeltaNet- en Gated Attention-lagen voor Qwen; onbekend voor LBS.

• Context — 262.144 native en ongeveer een miljoen met YaRN voor Qwen; onbekend voor LBS.

• Modaliteit — tekst-, afbeeldings- en video-invoer met tekstuitvoer voor Qwen; onbekend voor LBS.

• Thinking-bediening — redeneerinspanning op xhigh, medium of low voor Qwen; onbekend voor LBS.

• Licentie — Apache-2.0 voor Qwen; Apache-2.0 gedeclareerd voor LBS.

• Prijs — $0,33 per miljoen invoertokens en $2,40 per miljoen uitvoertokens voor Qwen op OrcaRouter; geen prijs voor LBS.

• Evaluaties — een volledige leverancierskaart voor Qwen, inclusief coderings-, agentische en vision-rijen; geen enkele voor LBS.

Prijs en het argument voor één API

Qwen3.8 27B is beschikbaar op OrcaRouter als qwen/qwen3.8-27b voor $0,33 per miljoen inputtokens en $2,40 per miljoen outputtokens, met de volledige context van 262.144 tokens. OrcaRouter geeft de lijstprijs van de provider door tegen 0% opslag, dus als Alibaba of zijn hostingpartners het tarief wijzigen, verandert het bedrag aan onze kant dezelfde dag nog. Er staat ook een tweede vermelding van Qwen3.8 27B op het platform tegen een hoger tarief onder een andere providernaam, wat het controleren waard is als je offertes vergelijkt.

LBS-27B staat niet op OrcaRouter. Er is niets om naartoe te routeren. Wanneer de gewichten bestaan, is de praktische manier om de vraag te beantwoorden die dit artikel niet kan beantwoorden — is het nieuwe model daadwerkelijk beter voor mijn workload? — om een deel van het verkeer er via hetzelfde endpoint naartoe te sturen, terwijl Qwen de fallback blijft. Automatische failover maakt daarvan een omkeerbaar experiment in plaats van een migratie, en de routing-DSL betekent dat de verdeling als beleid kan worden uitgedrukt in plaats van als een codebranch. Dat is de nuttige rol van een router in een 27B-vergelijking: niet de winnaar kiezen, maar je de ene tegen de andere laten afmeten op je eigen inputs.

Wat zou dit een echte vergelijking maken?

Het eerste artefact is een configuratiebestand. Dat beslist dense versus sparse en levert een telling van actieve parameters op, die bepaalt of LBS-27B met Qwen concurreert op kwaliteit of het op kosten ontwijkt.

Het tweede is een vision tower. De multimodale capaciteit van Qwen3.8 27B is geen bijkomende functie; ze is een groot deel van de reden waarom het model concurrerend is op document-, UI- en computer-use-taken. Een LBS-27B met alleen tekst zou een kleiner product zijn, gericht op een smaller segment van dezelfde kopers.

Het derde is een positioneringsverklaring van inclusionAI. Het lab heeft niet gezegd waarvoor LBS-27B bedoeld is, en de naam zegt dat ook niet. Alles in dit artikel over intentie is een gevolgtrekking uit een probe, een licentie en een tijdstempel.

Voorlopig is de houdbare conclusie beperkt. Qwen3.8 27B is een van de sterkste 27B-modellen die beschikbaar zijn, met een hybride architectuur, native multimodaliteit, een uitbreidingspad naar een miljoen tokens en een agressieve gehoste prijs. LBS-27B is een repository die nog geen model is geworden. De kloof tussen beide is geen kloof in capaciteit; het is de afstand tussen een afgerond product en een gereserveerde naam — en de interessante vraag is of een lab dat Qwens verborgen toestanden heeft bestudeerd, zich voorbereidt om ermee te concurreren of om het aan te vullen.