Bitta bolg‘ani emas, butun ustaxonani tanlayotganingizni tasavvur qiling. Lokal SI modeli eshikdan sig‘ishi, ish stolida joy qoldirishi, oldidagi materialni tushunishi va maxfiy ishni tashqariga yubormasdan mavjud vositalardan foydalanishi kerak. Qwen3.8-27B shu talablarning barchasi bitta model to‘plamida uchrashgani uchun jozibali. Bu Qwen3.5 gibrid asosi ustiga qurilgan zich 27 milliard parametrli vision-language model: takrorlanuvchi naqshda uchta Gated DeltaNet qatlamidan so‘ng bitta full-attention qatlami keladi. Linear-attention bo‘limlari samaradorlikka yordam beradi, davriy full attention esa modelga uzoqdagi tafsilotlarni bog‘lash imkonini saqlab qoladi.
Bu yerda “multimodal” so‘zi muhim. Bu rasm yuklash tugmasi bezak sifatida qo‘shilgan matn modeli emas. Qwen uni native rasm va video kirishiga ega image-text-to-text model sifatida o‘qitadi va tarqatadi. Lokal dasturlash agenti skrinshotni tekshirishi, xato oynasini o‘qishi, uni manba fayllari bilan solishtirishi va rasmni avval alohida bulutdagi vision xizmatiga yubormasdan vositalarni ishlatishi mumkin. Model kartasida hujjat, diagramma, brauzer, mobil va bir necha soatlik video vazifalari ham tasvirlangan. Shu bois Qwen3.8-27B maxsus autocomplete mexanizmidan ko‘ra xususiy umumiy ustaxonaga yaqinroq.
Relizdagi raqamlar hayajon sababini tushuntiradi. Qwen SWE-bench Pro da 61.7, Terminal Bench 2.1 da 73.0, DeepSWE 1.1 da 42.2 va LiveCodeBench v6 da 90.3 natijani bildiradi. Multimodal agent ishlarida esa OSWorld-Verified da 84.3, WebArena-Verified da 64.8 va CoWorkBench da 70.7 ko‘rsatadi. Qwen3.6-27B bilan solishtirganda o‘sish bitta qulay tanlangan imtihonda emas, repozitoriyni tuzatish, terminalni boshqarish, ofis ishi va kompyuterdan foydalanishda ko‘rinadi. Bitta alohida raqamdan ko‘ra aynan shu kenglik qiziqroq.
Endi dastlabki tashqi o‘lchovlar ham xuddi shu umumiy yo‘nalishni ko‘rsatmoqda. Artificial Analysis xhigh konfiguratsiyasiga Intelligence Index da 52 va Agentic Index da 51 ball berdi; keltirilgan snapshotda ikkinchi natija tarixiy Opus 4.8 max-effort ko‘rsatkichidan sal yuqori. Arena’ning Image-to-WebDev reytingida Qwen3.8-27B 25-avgust kuni 1574 score va 1,686 ovoz bilan #7 edi, ishonchga asoslangan o‘rin oralig‘i esa beshinchidan o‘ninchigacha. Yuklab olinadigan 27B modelning skrinshotdan interfeys qurish vazifasida frontier bulut tizimlari bilan statistik jihatdan bir guruhga tushishi diqqatga sazovor. Bu testlar Qwen’ning aynan lokal sozlamasini takrorlamaydi, ammo reliz jadvali sarobni tasvirlamaganiga mustaqil dalil beradi.
Ammo benchmark tabiat qonuni emas, laboratoriya uskunasidir. Qwen’ning SWE-bench Pro va DeepSWE natijalari Claude Code sinov muhiti, uzun kontekst va e’lon qilingan sampling sozlamalaridan foydalanadi. Qwen muammoli SWE-bench Pro vazifalarini tuzatib, baseline modellarni qayta baholagan. CoWorkBench va QwenSWEBench ichki testlar. MathVision qat’iy prompt va tuzatilgan annotationlardan foydalanadi; ayrim vizual-agent sinovlari maxsus grader yoki scaffoldga bog‘liq. Bu holatlar natijalarni foydasiz qilmaydi. Ular nima o‘lchanganini aniq ko‘rsatadi: puxta tanlangan tizim ichidagi Qwen3.8. Ollama, LM Studio, llama.cpp yoki uyda qurilgan agent boshqa natija berishi mumkin.
Qurilma haqidagi hikoya ham shunday halollikni talab qiladi. Rasmiy BF16 vazn shardlari runtime xarajatlaridan avval jami taxminan 55.6 GB. Unsloth’ning Q4_K_M fayli qariyb 17.1 GB, vision projector esa yana 0.93 GB qo‘shadi. Demak, 18 GB yuklama 24 GB GPU ga sig‘adi, lekin qolgan olti gigabayt bekor hashamat emas: u buferlar va avvalgi tokenlarni eslab turuvchi KV cache uchun kerak. Uzunroq kontekst ko‘proq xotira yeydi. 24 GB karta foydali lokal ish uchun ishonchli boshlang‘ich nuqta, ammo 262,144 tokenni maksimal tezlik va to‘liq cache aniqligida ishlatish va’dasi emas.
Qwen operatorlarga noodatiy darajada yaxshi boshqaruv beradi. Native oyna 262,144 token, model kartasi esa vLLM, SGLang va TokenSpeed da YaRN orqali bir milliongacha kengaytirishni hujjatlashtiradi. Mulohaza yuritish sukut bo‘yicha yoqilgan; past, o‘rta va o‘ta yuqori (low, medium, xhigh effort) darajalari bor, preserve_thinking esa agent suhbati davomida mulohaza kontekstini navbatlar orasida olib o‘tishi mumkin. Qwen multi-token-prediction headni ham o‘qitgan, mos inference tizimlari undan decodingni tezlatish uchun foydalana oladi.
Zavod sozlamasi ko‘plab odatiy vazifalar uchun noto‘g‘ri sozlama. Qwen sukut bo‘yicha o‘ta yuqori mulohaza darajasi (xhigh reasoning) ishlatadi, Artificial Analysis esa o‘z indexi davomida 160 million output token qayd etgan; o‘xshash ochiq modellar mediani 43 million edi. Simon Willison’ning lokal sinovida oddiy pelikan SVG si 22,276 fikrlash tokeni va 21 daqiqa sarfladi; mulohaza yuritishni o‘chirish vaqtni 137 soniyaga tushirdi. Bu sifatning orqaga ketishi emas, balki foydalanish sabog‘i: low yoki medium effort dan — oddiy transformatsiyalarda esa umuman mulohaza rejimisiz — boshlang va qo‘shimcha izlanish kutishga arziydigan vazifalarnigina xhigh ga ko‘taring. Statik YaRN, sampling va reasoning holatini saqlashga ham shu qadar ongli yondashish kerak.
To‘g‘ri birinchi sinov ataylab oddiy bo‘lsin. Xotirada doim saqlay oladigan kvantlangan modelni (quant) yuklang, yetarli xotira zaxirasi qoldiradigan kontekst oynasini tanlang va Qwen’ga yakuni ko‘rinib turadigan haqiqiy vazifa bering: yiqilayotgan testni tuzatish, maxfiy hisobotdan raqamlarni ajratish yoki skrinshotdan UI ni qayta yaratish. Vazifa yakunlandimi, nechta qayta urinish kerak bo‘ldi, qancha tez ishladi va qancha inson tuzatishi qoldi — barchasini yozib boring. So‘ng Qwen3.6 yoki hozirgi modelingizni ayni sharoitda ishlating. Bu tajriba birovning laboratoriyasini emas, sizning ustaxonangizni o‘lchaydi.
Hozircha Qwen3.8-27B maxfiylik, qobiliyat, multimodallik va erishsa bo‘ladigan qurilmalar kesishmasidagi eng yaxshi standart tanlov. Yirikroq ochiq modellar tor yoki qiyin sohalarda aqlliroq, kichikroq modellar esa tezroq bo‘lishi mumkin. Qwen foydali o‘rtani egallaydi: jiddiy ish uchun yetarlicha kuchli, bitta stol ostida yashash uchun yetarlicha ixcham va o‘sha stol butunlay sizga tegishli bo‘lishi uchun yetarlicha ochiq.
