Qwen3.8-27B: O 27B denso da linha Qwen3.8 da Alibaba

Um número decide se você consegue executar o Qwen3.8-27B por conta própria: 55,6 GB. Esse é o total de pesos BF16 no repositório do próprio fornecedor — dezoito fragmentos de safetensors, 27,8 bilhões de parâmetros quando a torre de visão é contada — e é a razão pela qual o destino prático do modelo é uma placa gráfica de 24 GB executando uma versão comprimida, em vez de uma estação de trabalho executando-o como fornecido. Todo o resto sobre Qwen3.8-27B decorre dessa configuração. É um modelo denso, não uma mistura de especialistas: cada token que você gera ativa todos os 27 bilhões de parâmetros, o que é a troca oposta à dos gigantes esparsos com os quais compartilha uma geração. E é o único membro desta rodada com uma vizinhança real em torno do seu nome — os leitores pesquisam-no isoladamente, e pesquisam os qualificadores ao seu redor — então esta página é a resposta simples ao que a coisa é, para que serve, e o que você está escolhendo antes de escolher um tamanho ou um formato.

A identificação precisa, porque três nomes nesta família são fáceis de confundir. O Qwen3.8-27B é o membro denso e auto-hospedável da geração Qwen3.8 da Alibaba. Seus irmãos são produtos diferentes: Qwen3.8-2.4T-A95B é o mixture-of-experts esparso de 2,4 trilhões de parâmetros, cujos pesos também foram lançados em agosto de 2026, e o Qwen3.8-Max é a API hospedada construída sobre essa mesma arquitetura, que não tem pesos baixáveis de forma alguma. A geração foi anunciada em 3 de agosto de 2026, e os pesos do 27B chegaram ao Hugging Face e ao ModelScope em 14 de agosto de 2026 sob a Apache 2.0 — uma data que vale a pena declarar com precisão, porque o lançamento é apenas o que data este modelo, não um evento que esta página esteja noticiando.

O que é, nas próprias palavras da Alibaba

O cartão do modelo descreve o Qwen3.8-27B como um "modelo denso compacto e amigável à implantação": um modelo nativo de visão e linguagem que compreende imagens e vídeos, com controle flexível de raciocínio, "projetado para levar tarefas complexas e de várias etapas até a conclusão com maior confiabilidade". Esse é o posicionamento do fornecedor, atribuído, e o cartão o respalda com cinco melhorias alegadas — ganhos de capacidade central em programação, trabalho profissional, pesquisa e tarefas agênticas de longo horizonte; planejamento autônomo mais robusto e melhor tratamento do feedback do ambiente; suporte mais amplo a harnesses de agentes populares e ferramentas de desenvolvimento; modo de raciocínio ativado por padrão, mas que pode ser desativado por solicitação, com profundidade ajustada por meio de reasoning_effort; e compreensão nativa de imagens e vídeos que, segundo o cartão, abrange desde diagramas e documentos de STEM até vídeos com duração de horas.

A arquitetura por trás dessa afirmação é híbrida. O Qwen3.8-27B é organizado em dezesseis blocos repetidos, cada um contendo três camadas de atenção linear Gated DeltaNet e uma camada de atenção Gated completa — 64 camadas no total, dimensão oculta de 5.120, 48 cabeças de atenção linear para valores contra 16 para consultas. Em termos simples: apenas uma camada em cada quatro mantém um cache de atenção convencional. É por isso que um modelo de 27B consegue carregar um contexto nativo de 262.144 tokens sem a conta de memória que um transformer convencional desse porte exigiria, e também é por isso que sua pegada local é mais amigável do que sugere sua contagem de parâmetros. O contexto se estende até 1.000.000 de tokens com escalonamento YaRN, que o card adverte poder degradar o desempenho em entradas mais curtas se você deixá-lo ativado estaticamente. O modo de raciocínio fica ativado por padrão; a amostragem recomendada pelo card é temperatura 1,0 com top_p 0,95 ao raciocinar, 0,7 com top_p 0,80 quando não, e sugere alocar saída com generosidade — até 262.144 tokens de raciocínio e 131.072 para a resposta final dentro de uma janela longa.

Agora, a parte geral honesta, que é conhecimento de ofício em vez de uma medição deste modelo. Um 27B denso em 2026 ocupa um lugar específico. Ele é grande o suficiente para ser genuinamente útil e pequeno o suficiente para caber em hardware que uma pessoa ou uma equipe pequena possui, o que o torna o formato certo para inferência privada, para trabalho em lote onde a cobrança por token é o inimigo, e para loops de agentes que fazem muitas chamadas baratas em vez de uma cara. Ele não é o formato certo para o raciocínio mais difícil que você tem, para os documentos únicos mais longos, ou para qualquer coisa em que você prefira alugar o estado da arte a possuir algo bom o suficiente — um 27B denso perde para um modelo de fronteira bem servido na ponta superior, e perde para um MoE pequeno em custo por token na base. Densidade também é um fato de latência: com todos os parâmetros ativos em cada token, um modelo denso é geralmente mais lento por token do que um modelo esparso de qualidade semelhante, e o Qwen3.8-27B é um modelo de raciocínio além disso, então ele gasta tokens de saída pensando antes de responder. Nada disso é uma pontuação para este modelo em particular. É o formato da decisão que você está tomando.

Tamanho e ajuste, em resumo

O resumo, com a aritmética detalhada deixada onde ela pertence. Os pesos BF16 completos têm 55,6 GB, o que é uma conversa para aceleradores de 80 GB. O layout de atenção híbrida é o que torna as versões comprimidas excepcionalmente viáveis: uma quantização de 4 bits fica na casa dos quinze gigabytes e funciona confortavelmente em uma placa de 24 GB com comprimentos de contexto comuns; uma placa de 16 GB só é realista se você aceitar uma quantização mais baixa ou um contexto curto, e 8 GB está fora. Como apenas 16 das 64 camadas mantêm um cache de atenção completo, contexto longo custa menos do que custaria em um 27B convencional — mas não é de graça, e o cache é o que empurra uma configuração confortável de 24 GB em direção ao seu teto à medida que você aumenta a janela. Mantemos uma página separada com a escada de VRAM por quantização, a curva de comprimento de contexto e os valores de memória unificada do Apple silicon; se você está comprando hardware, leia essa em vez desta.

Os formatos, como uma escolha em vez de um guia prático

Existem quatro rotas e elas respondem a quatro perguntas diferentes. GGUF é a escolha de compatibilidade — a linhagem do llama.cpp, o suporte de hardware mais amplo, o formato que vai rodar naquilo que você já tem, e é o que a maioria das pessoas que pesquisa Qwen3.8-27B está realmente procurando: escolha-o quando você quer que os pesos funcionem na máquina à sua frente e está disposto a escolher um nível de quantização. MLX é a escolha para Apple silicon, e é uma escolha de verdade — este modelo roda em um Mac por meio do MLX, o que, para um modelo de visão e linguagem de 27B, não é algo que se deva presumir. No lado da serving, NVFP4 e FP8 são os formatos que você implanta em vez de executar interativamente: FP8 mantém o modelo próximo da precisão total com aproximadamente metade da pegada de pesos para uma única GPU grande, e NVFP4 é a build agressiva da era Blackwell que mede cerca de 25 GB de VRAM com a torre de visão mantida em precisão total. Unsloth é a rota de fine-tuning — o pacote GGUF com um caminho de treinamento anexado, para quando você pretende alterar os pesos em vez de apenas executá-los. Cada um deles tem sua própria página neste modelo, e cada um responde a uma pergunta diferente desta.

O que a licença realmente permite

O Qwen3.8-27B é distribuído sob a Apache 2.0. O arquivo LICENSE está no repositório, e a licença é o padrão permissivo, e não um acordo personalizado: uso comercial sem limite de usuários ou royalties, modificação, redistribuição e uma concessão explícita de patentes, desde que você acompanhe a licença e os avisos em tudo o que repassar. Isso importa porque é um arquivo diferente daquele que rege o resto da família — o Qwen3.8-2.4T-A95B é distribuído sob uma licença Qwen personalizada, não sob a Apache 2.0 —, então “é um Qwen, logo é Apache” não é uma suposição segura, e este é o membro em que isso por acaso é verdade.

O Apache 2.0 sobre os pesos é também a resposta simples à maior consulta qualificada individual ao lado da qual esta página se encontra: as sem censura e abliteradas. O que a licença permite é simples e vale a pena dizer sem rodeios: os pesos publicados podem ser modificados e redistribuídos, incluindo modificações que alteram o comportamento do modelo, e builds derivadas podem ser lançadas sob os mesmos termos. Esse é todo o mecanismo por trás de um lançamento abliterado — uma comunidade ou um laboratório publica uma cópia modificada de pesos abertamente licenciados e a redistribui. Nós mesmos seguimos esse caminho para este modelo: as builds Qwen3.8-27B-Uncensored-GGUF, NVFP4 e MLX são nossas, publicadas sob os mesmos termos Apache 2.0 do original. O que um serviço hospedado vai ou não gerar é uma questão separada do que a licença permite, e esta página não responde a isso — as páginas sem censura por formato cobrem os downloads.

O que não está resolvido

Três coisas estão genuinamente em aberto. O contexto de 1M tokens é uma extensão YaRN, e não uma janela nativa, e a própria ficha do modelo adverte que o escalonamento estático do YaRN pode prejudicar o desempenho com entradas curtas, então o teto prático para a maioria das configurações locais é a janela nativa de 262.144, e a extensão é uma decisão por implantação que você precisa testar. A própria ficha do modelo da Alibaba direciona os leitores que buscam um serviço gerenciado para o Qwen Cloud, que ela descreve como "em breve" para este modelo — portanto, em outubro de 2026, a camada hospedada que a ficha anuncia não é algo que possamos confirmar como disponibilidade geral, e não vamos descrever seus termos a partir de um teaser. E a tabela de benchmarks na ficha é a avaliação da própria Alibaba, não reproduzida pela parte que a publicou, o que é uma ressalva que sobrevive ao lançamento.

Disponibilidade

Disponibilizamos este modelo. O identificador é qwen/qwen3.8-27b na nossa lista de modelos ativos — é o modelo denso multimodal de 27B, aceita texto, imagens e vídeo com uma janela de contexto de 262.144 posições, e o leitor pode direcionar um cliente compatível com OpenAI para ele hoje. É tudo o que diremos sobre a rota aqui: nenhuma alegação de preço, nenhuma alegação de throughput. Se você está escolhendo com base no custo, calcule a partir do seu próprio tráfego, e não de um número nesta página.

A escolha que resta fazer é o formato, e é uma questão de hardware antes de ser uma questão de software. Se você estiver executando-o na máquina à sua frente, a rota GGUF é onde ficam os níveis de quantização e onde você descobre se a sua placa é suficiente. Se você estiver em um Mac, a rota MLX é a que determina se você tem ou não a memória unificada. Leia uma dessas duas a seguir e só volte a esta página se quiser se lembrar do que é o modelo antes de comprometer o espaço em disco.