Qwen 3.6 35B A3B vs Qwen 3.8 27B: 3B aktiva eller 27B dense?

Två siffror avgör denna kombination, och de drar i motsatta riktningar. Qwen3.6-35B-A3B har 35 miljarder parametrar men aktiverar bara omkring 3 miljarder av dem för varje enskild token. Qwen3.8-27B är tät: varenda en av dess 27 miljarder parametrar används för varje token du genererar. Det innebär att expertsblandningen är den lättare modellen att köra och den tyngre modellen att hålla — 71,9 GB BF16-vikter mot 55,6 GB, enligt varje leverantörs eget arkiv — medan den täta modellen kräver ungefär nio gånger så mycket aritmetik per token och får plats i mindre minne. Ingen av dem är en defekt. De är två olika svar på "hur mycket maskin har jag", och vilket svar som är ditt är hela beslutet.

Det finns en andra anledning att den här sidan är värd din tid. Den här jämförelsen är den form som läsare söker efter kring 35B A3B — varje sökfråga i den modellens lilla familj är en variant av den — och Qwen3.6-35B-A3B har aldrig haft en sida här som beskriver den över huvud taget. Så den här sidan har ett ärligt stycke för vardera sidan och går sedan vidare till jämförelsen.

Vad 35B A3B-bygget egentligen är

Qwen3.6-35B-A3B är den sparse medlemmen i Alibabas Qwen3.6-generation från april 2026, publicerad under Apache-2.0 i leverantörens eget Hugging Face-repositorium, som skapades den 15 april 2026. Leverantörens modellkort beskriver den som en blandning av experter med "35B totalt och 3B aktiverade", byggd av 256 experter, varav åtta routade experter plus en delad expert aktiveras per token. Den är inte enbart text: kortet kallar den en "kausal språkmodell med vision-encoder", och repositoriet har en pipeline-tagg för bild-text-till-text, så den tar text, bilder och video och returnerar text. Kontexten är 262 144 token inbyggt, utökningsbar till cirka 1 010 000 med YaRN-skalning. Dess upplägg är en hybrid – tio upprepningar av tre Gated DeltaNet linjära attention-block följt av ett gated full-attention-block, dold dimension 2 048, 40 lager – och kortet skiljer säljsnacket från arkitekturen genom att namnge två saker som det betonar: agentisk kodning, och ett "thinking preservation"-alternativ som behåller resonemangskontext från tidigare turer. Leverantörens egna tabeller på det kortet placerar den på SWE-bench Verified 73,4, Terminal-Bench 2.0 51,5, MMLU-Pro 85,2, GPQA 86,0 och LiveCodeBench v6 80,4 – alla leverantörsrapporterade och oreviderade, vilket är etiketten de bär var de än förekommer nedan.

Vad Qwen3.8-27B är

Qwen3.8-27B är Alibabas täta 27B-modell med öppna vikter från Qwen3.8-generationen, utgiven under Apache-2.0; leverantörens kodförråd skapades den 5 augusti 2026 och senast ändrades den 14 augusti. Qwens eget modellkort kallar den ”en kompakt, distributionsvänlig tät modell” och positionerar den som den mest kapabla öppna Qwen-generationen hittills, med de angivna förbättringarna inom kodning, professionellt arbete, forskning och agentiska uppgifter med lång horisont. Den är likaså en vision-språkmodell – ”Causal Language Model with Vision Encoder” – som tar emot bilder och video liksom text, med 262 144 token i inbyggd kontext och 1 000 000 med utökning. Arkitektoniskt är den konventionell i jämförelse: 64 lager, dold dimension 5 120, ett vanligt feed-forward-nätverk med mellandimension 17 408 i stället för en expertbank, och samma rytm med tre linjära till ett fullt attention-lager som sitt syskon. Där 35B A3B-kortet talar om bevarande av tänkande talar Qwen3.8-27B-kortet om flexibel tänkandekontroll – en reasoning_effort-inställning med standardvärdet xhigh, där medium och low är tillgängliga, och preserve_thinking aktiverat som standard. Dess kort rapporterar LiveCodeBench v6 90,3, GPQA Diamond 89,2, OSWorld-Verified 84,3, QwenSWEBench 79,0, Terminal Bench 2.1 73,0 och SWE-bench Pro 61,7 – återigen leverantörsrapporterade och ogranskade. Dess totala vikt är 55,6 GB fördelade över arton safetensors-shardar, och dess parameterantal är 27,8 miljarder när visionstornet räknas med, vilket är anledningen till att modellen kallas 27B men mäter 27,8B.

Det enda talet som oftast avgör saken: aktiva parametrar

Filer spårar totala parametrar. Hastighet spårar de aktiva. Det är två olika kolumner i specifikationsbladet och läsare slår rutinmässigt ihop dem till en, vilket är hur folk till slut laddar ner en 22 GB mixture of experts och förväntar sig att den ska rymmas där en 16,5 GB dense model skulle göra det.

Mekanismen är värd att säga rakt ut, för det är hela avvägningen. En tät modell måste läsa alla sina vikter för att producera varje token; en gles mixture läser bara de experter som dess router väljer. Qwen3.6-35B-A3B läser ungefär lika mycket som tre miljarder parametrar per token och Qwen3.8-27B läser tjugosju miljarder – så mixturen har en strukturell fördel i beräkning per token och i avkodningsgenomströmning, och den fördelen är verklig. Men de andra experterna är inte gratis: de måste finnas residenta någonstans, i VRAM eller i systemminne, annars slutar routern med att hämta dem, och en hämtning kan kosta mer än den aritmetik den sparade. Så fördelen är villkorad av att hålla hela 35B. Detta är hur mixture-of-experts-avkodning fungerar, inte en mätning av dessa två specifika modeller, och det är anledningen till att frågan om att få plats kommer före hastighetsfrågan i stället för efter.

• Totalt antal parametrar på disk, BF16 – Qwen3.6-35B-A3B: 35,95B i 26 safetensors-filer, 71,9 GB. Qwen3.8-27B: 27,78B i 18 shardar, 55,6 GB. Enligt leverantörernas egna Hugging Face-repositorier, avlästa 2026-10-13.

• Aktiva parametrar per token — Qwen3.6-35B-A3B: cirka 3B. Qwen3.8-27B: alla 27B, eftersom dense betyder dense.

• Arkitektur — Qwen3.6-35B-A3B: 256 experter, 8 routade plus 1 delad per token, 40 lager, dold storlek 2 048. Qwen3.8-27B: ett enda feed-forward vid mellanliggande dimension 17 408, 64 lager, dold storlek 5 120.

• Nativ kontext — 262 144 token för båda. Qwen3.6-35B-A3B utökas till omkring 1 010 000 med YaRN; Qwen3.8-27B:s kort anger 1 000 000 med förlängning.

• Licens — Apache-2.0 på båda. Båda är nedladdningsbara från leverantören, båda har öppna vikter, och det finns inget per-säte- eller per-anrop-villkor kopplat till någon av dem.

Vad var och en kostar dig per token

Båda modellerna serveras på OrcaRouter, så du kan avgöra detta utan att ladda ned något. Hämtat från vår livekatalog den 2026-10-13, qwen/qwen3.6-35b-a3b kostar $0.248 per miljon indatatoken och $1.485 per miljon utdatatoken, med ett fönster på 262 144 token och maximalt 65 536 utdatatoken. qwen/qwen3.8-27b kostar $0.330 per miljon indata och $2.400 per miljon utdata med samma fönster på 262 144 token. Båda finns också listade i vår katalog under ett andra host-id till ett högre pris, så kontrollera vilken identifierare du faktiskt anropar innan du jämför fakturor.

Med en arbetsbelastning på en miljon indatatokens och en kvarts miljon utdatatokens – en rimlig månad för en liten driftsättning av kodningsagenter – blir uträkningen så här. Qwen3.6-35B-A3B: 1,00 × 0,248 $ plus 0,25 × 1,485 $, eller omkring 0,62 $. Qwen3.8-27B: 1,00 × 0,330 $ plus 0,25 × 2,400 $, eller omkring 0,93 $. Den nyare täta modellen kostar ungefär 50 % mer för den typen av trafik, och skillnaden är störst för utdatatokens, där den är omkring 62 %.

Två saker följer som betyder mer än siffrorna. För det första: dessa är våra katalogpriser, och vi lägger inget påslag på en leverantörs publicerade listpris – så en ändring av leverantörspris når den här sidan samma dag som den når leverantören, utan fördröjning och utan ett andra avtal. För det andra: anledningen att jämföra dem på en nyckel i stället för två är byteskostnad: de två id:na ligger bakom en och samma slutpunkt, så att flytta från den ena till den andra är en strängändring snarare än en migrering, och automatisk failover innebär att du kan köra den mindre bekanta av de två på en del av din trafik utan att satsa en produktionsväg på den. Om du utvärderar en blandning av experter för första gången på grund av beräkningsargumentet ovan, är det det billiga sättet att testa om argumentet håller för din arbetsbelastning.

Vad passar på din maskin

Det här är frågan som de två modellerna faktiskt skiljer sig åt i, och den hänger på samma uppdelning mellan totalt och aktivt. Om man jämför de community-GGUF-byggen som båda modellerna har – dessa är tredjepartsförråd, inte leverantörsutgåvor, och deras filnamn är deras egna – ger samma kvantiseringsetikett dig väsentligt olika filstorlekar:

• Q3-klass, minsta vettiga alternativ — Qwen3.6-35B-A3B: 16,60 GB vid UD-Q3_K_M. Qwen3.8-27B: 13,15 GB vid UD-Q3_K_XL.

• Omkring IQ4 — Qwen3.6-35B-A3B: 17,73 GB vid UD-IQ4_XS, 18,04 GB vid UD-IQ4_NL. Qwen3.8-27B: 14,25 GB vid UD-IQ4_XS.

• Q4_K_S — Qwen3.6-35B-A3B: 20,89 GB. Qwen3.8-27B: 15,36 GB.

• Q4_K_M, den vanliga standarden — Qwen3.6-35B-A3B: 22,13 GB. Qwen3.8-27B: 16,46 GB.

• Q4_K_XL — Qwen3.6-35B-A3B: 22,36 GB. Qwen3.8-27B: 17,56 GB.

• Q5_K_M — Qwen3.6-35B-A3B: 26,46 GB. Qwen3.8-27B: 19,77 GB.

• Q8_0 — Qwen3.6-35B-A3B: 36,90 GB. Qwen3.8-27B: 29,05 GB.

• BF16, som levererat — Qwen3.6-35B-A3B: 71,9 GB. Qwen3.8-27B: 55,6 GB.

• Även publicerad — Qwen3.6-35B-A3B har en FP8-checkpoint i leverantörens eget arkiv och en MXFP4-blandning på 21,71 GB i community-byggena; Qwen3.8-27B har också en FP8-checkpoint i leverantörens arkiv.

Läs de två kolumnerna mot varandra, så framgår regeln. Vid varje matchad etikett är blandningen mellan fyra och åtta gigabyte tyngre vid samma nominella komprimering, eftersom filen måste rymma alla 35B och bara använder 3B av dem åt gången. Konkret: ett 24 GB-kort klarar Qwen3.8-27B vid Q4_K_M med plats för kontext och klarar Qwen3.6-35B-A3B vid Q3 eller IQ4 medan KV-cachen slåss om utrymme, och en bekväm långkontextsession med blandningen kräver närmare 48 GB. Lägg till visiontornets egen fil om du vill ha bildinmatning på någon av dem.

Var riktmärkena står, vilket inte är där du skulle vilja att de är

Ingen har publicerat en direkt jämförande körning av dessa två modeller med matchade inställningar i en namngiven testrigg. Vi känner inte till någon sådan, och den här sidan kommer inte att antyda en rangordning som bevisningen inte bär.

Det som faktiskt finns är en partiell överlappning i benchmark-namn mellan de två leverantörskorten, och det är värt att visa just eftersom det är så lätt att övertolka. På de namn som finns på båda korten är Qwen3.8-27B-siffran den högre varje gång. SWE-bench Pro: 49,5 för 35B A3B mot 61,7 för 27B. LiveCodeBench v6: 80,4 mot 90,3. HLE: 21,4 mot 30,8. CharXiv-resonemangsfrågor: 78,0 mot 83,7. OmniDocBench 1.5: 89,9 mot 91,1. RealWorldQA: 85,3 mot 85,9. Och på Terminal-Bench är korten inte ens jämförbara på det sätt som raden antyder: 35B A3B-kortet rapporterar Terminal-Bench 2.0 vid 51,5, medan 27B-kortet rapporterar Terminal Bench 2.1 (Terminus) vid 73,0 – olika versioner av benchmarken, så det specifika paret bör inte alls dras ifrån varandra.

Det finns tre förbehåll kring allt detta. Siffrorna kommer från två olika modellkort som publicerats med ungefär fyra månaders mellanrum, av samma labb, utan en granskning. Flera benchmarks som respektive modell rapporterar finns bara på dess eget kort och har ingen motsvarighet – SWE-bench Verified 73,4 och MMLU-Pro 85,2 på 35B A3B-sidan; OSWorld-Verified 84,3 och QwenSWEBench 79,0 på 27B-sidan – så de kan inte ställas mot varandra. Och att en nyare modell i samma serie får högre poäng än en äldre är det förväntade resultatet, inte en upptäckt: det säger att generationen har rört sig framåt, och ingenting om huruvida den äldre modellen är bättre lämpad för de tokens du är på väg att skicka.

Om du behöver att jämförelsen blir avgörande är den ärliga vägen att köra båda på din egen trafik. De ligger på en och samma nyckel, på en och samma endpoint, och failover gör ett splittest billigt.

Vilken du bör välja

Välj Qwen3.6-35B-A3B om din maskin kan hantera 35B vikter och din arbetsbelastning är tyngre på generering än på engångsresonemang. De fall där det är rätt svar:

• Du har minnet — 48 GB eller mer för bekväm lokal användning med lång kontext, eller ett 24 GB-kort vid en kvantisering i 3-bitsklass om du kan leva med ett kortare fönster — och du vill ha arkitekturen som förbrukar minst beräkningskraft per token.

• Din trafik har hög samtidighet eller lång generering, där kostnaden per token dominerar räkningen och mixturens glesa avkodning strukturellt är på din sida.

• Du vill ha en Apache-2.0-artefakt som tar text, bilder och video och returnerar text, och du vill ha den mindre nedladdningen i paret bara om du hostar den i stället för att ladda ner den, där priset per token är lägre för både indata och utdata.

• Du befinner dig medvetet på 3B-aktiv skala – du accepterar att ligga en generation efter i leverantörens egna tabeller i utbyte mot att betala mindre per token och att göra det bakom ett välbekant gränssnitt för verktygsanrop.

Välj Qwen3.8-27Bom minnet är den begränsande faktorn, eller om du vill ha den nyaste generationen i det här paret. De fall där det är rätt svar:

• Ett enda 24 GB-kort och inga planer på att köpa fler. Vid Q4_K_M är det 16,5 GB, vilket lämnar gott om utrymme för kontext; det gör inte mixturen.

• Du vill ha de starkaste leverantörsrapporterade agentiska och kodningssiffrorna i detta par, och du är medveten om att de kommer från ett oreviderat kort och inte är en matchad jämförelse.

• Din arbetsbelastning består av jämförelsevis få, jämförelsevis stora förfrågningar — förståelse av dokument och skärmbilder, resonemang på reponivå, automation i stil med datoranvändning — där genomströmningen per förfrågan betyder mindre än att varje förfrågan blir rätt.

• Du vill ha den mindre nedladdningen, den snabbare kallstarten och den kortare shard-listan att hantera.

Inget av det där gör någon till vinnare. De två modellerna konkurrerar inte om samma plats på din maskin, och siffrorna ovan fastställer inte vilken av dem som är bättre på något – de fastställer vilken av dem som begär mindre av maskinen du redan har.

Det som oftast avgör saken är detta: filen på disken dimensioneras av det totala antalet parametrar, och arbetet per token dimensioneras av de aktiva. Så Qwen3.6-35B-A3B kan vara modellen som körs snabbare och ändå vara den som inte får plats, och Qwen3.8-27B kan vara den med den större kostnaden per token och ändå vara den som överhuvudtaget kan köras. Avgör vilket av dessa två problem du faktiskt har, så upphör valet att vara en jämförelse.