Qwen3.8-27B yltää GPT-5.6 Lunan rinnalle

Alibaban Qwen3.8-27B on yksi uuden sukupolven kiinnostavimmista open-weight-malleista. Mallissa on 27 miljardia parametria, ja sitä voidaan ajaa paikallisesti tehokkaassa laitteistossa. Artificial Analysisin tietojen mukaan se sai Intelligence Indexissä 52 pistettä, saman tuloksen kuin GPT-5.6 Luna.

Tulos ei todista, että kiinalaiset mallit olisivat kokonaisuutena ohittaneet Yhdysvaltojen tekoälykehityksen kärjen. Se kertoo kuitenkin jotain käytännössä merkittävää: ladattava ja muokattava malli voi päästä lähelle kalliita, suljettuja pilvipalveluja.

Qwen3.8-27B: mitä mallista on syytä tietää?

Qwen3.8-27B ei ole text-only-malli. Sitä kuvataan dense-rakenteiseksi, natiivisti multimodaaliseksi malliksi, joka pystyy käsittelemään tekstiä, kuvia ja videoita. Sen natiivi konteksti-ikkuna on 262 144 tokenia, ja painot on julkaistu Apache 2.0 -lisenssillä.

Myös lisenssiehdoista on liikkunut epätarkkoja tulkintoja. Mahdolliset liikevaihdon jakamiseen liittyvät ehdot eivät koske 27B-versiota, vaan erillistä Qwen3.8-Max-lippulaivamallia, jossa on 2,4 biljoonaa parametria ja oma lisenssinsä. Kaupalliset ehdot on siksi tarkistettava mallikohtaisesti, ei koko Qwen-perheen perusteella.

Joissakin palveluissa Qwen3.8-27B:n hinnaksi on merkitty nolla dollaria miljoonaa syötetokenia ja tulostokenia kohden. Tätä ei kuitenkaan pidä tulkita Alibaban pysyväksi ja yleiseksi pilvihinnaksi. Saatavilla olevien tietojen mukaan Qwen Cloudin hallinnoitu päätepiste oli vielä tulossa, ja hinnat vaihtelevat palveluntarjoajan mukaan.

Miten Qwen3.8-27B sijoittuu vertailussa?

Artificial Analysisin Intelligence Index on yhdeksästä arvioinnista koostuva yhdistelmäindeksi. Se mittaa muun muassa ohjelmointia, tieteellistä päättelyä, yleistä ongelmanratkaisua ja ammatillisia tehtäviä. Indeksi on hyödyllinen kokonaisvertailussa, mutta se ei kuvaa jokaista todellista työprosessia tai agenttikäyttöä.

Malli ja asetukset	Intelligence Index
Claude Opus 4.8, adaptive reasoning / max effort	57
DeepSeek V4 Pro 0813, reasoning / max effort	53
GLM-5.2, max	53
Qwen3.8-27B	52
GPT-5.6 Luna, max	52
GPT-5.6 Terra, high	50

Turvallisin johtopäätös on rajattu: Qwen3.8-27B yltää tässä mittauksessa GPT-5.6 Lunan tasolle ja ohittaa GPT-5.6 Terran. Tulokset eivät kuitenkaan osoita, että se olisi kokonaisuutena Claude Opus 4.8:n, DeepSeek V4 Pron tai GLM-5.2:n edellä.

Qwen3.8-27B:lle on raportoitu myös Agentic Index -arvo 51. Saatavilla olevissa tiedoissa on kuitenkin lisäksi yksittäinen 48 prosentin tulos τ²-Bench-testissä, eikä se ole sama asia kuin koko Agentic Index. Siksi kaikkien mallien agenttisuorituskyvystä ei ole riittävän yhtenäistä pohjaa luotettavan kokonaisranking-listan laatimiseen.

Miksi 27 miljardin parametrin malli on käytännössä kiinnostava?

Pelkkä pistemäärä ei selitä Qwen3.8-27B:n merkitystä. Avoimet painot antavat kehittäjille mahdollisuuden ladata mallin, hienosäätää sitä, kvantisoida sen ja liittää sen omiin järjestelmiinsä ilman täydellistä riippuvuutta yhden yhtiön API-rajapinnasta.

Paikallinen ajo voi olla hyödyllistä esimerkiksi yksityisessä ohjelmoinnissa, offline-sovelluksissa, viiveherkissä palveluissa ja ympäristöissä, joissa datan hallinta on tärkeämpää kuin pilvipalvelun helppous.

Apache 2.0 -lisenssi helpottaa käyttöä, muokkaamista, uudelleenjakelua ja kaupallista hyödyntämistä lisenssin ehtojen puitteissa. Tämä poikkeaa olennaisesti suljetusta mallista, jota voi käyttää vain palveluntarjoajan pilvipäätepisteen kautta.

Vertailu ei silti ole täysin symmetrinen. Pilvimalli tarjoaa valmiin infrastruktuurin, kapasiteetin skaalauksen, päivitykset ja ylläpidon. Itse ylläpidetty malli taas siirtää käyttäjälle laitteiston, muistin, sähkön, optimoinnin ja ylläpidon kustannukset. Token-hinnan nolla ei tarkoita, että kokonaiskustannus olisi nolla.

Parametrimäärä ei yksin kerro mallin tasoa

Mallien näyttävät parametriluvut johtavat helposti harhaan. Qwen3.8-27B on dense-malli, jossa koko parametrimäärää käytetään päättelyn aikana. Monet muut open-weight-mallit hyödyntävät mixture-of-experts-arkkitehtuuria, jossa kokonaisparametrien määrä ja kullakin hetkellä aktiivisten parametrien määrä ovat eri asioita.

Artificial Analysis ilmoittaa esimerkiksi DeepSeek V4 Prolle 1,6 biljoonaa kokonaisparametria ja 49 miljardia aktiivista parametria. GLM-5.2:lla vastaavat luvut ovat 753 miljardia ja 40 miljardia.

Siksi Qwen3.8-Maxin raportoitua 2,4 biljoonan parametrin kokoa, Kimi K3:lle liitettyä 2,8 biljoonan parametrin lukua ja malleja, joiden kokoa ei ole julkaistu, ei voi käyttää suoraan paremmuusjärjestyksenä. Arkkitehtuuri, opetusdata, jälkikoulutus, päättelyyn käytetty laskenta, työkalujen käyttö ja palvelukerroksen tehokkuus voivat vaikuttaa lopputulokseen enemmän kuin yksi parametriluku.

Mitä malli kertoo tekoälyinvestoinneista?

Qwen3.8-27B:n tulos ei osoita, että Yhdysvaltojen massiiviset datakeskusinvestoinnit olisivat huonoja tai tehottomia. Frontier-tason järjestelmät tarvitsevat infrastruktuuria koulutukseen, kokeiluihin, suuren mittakaavan palveluihin, turvallisuuteen, luotettavuuteen ja multimodaalisiin ominaisuuksiin. Yksittäinen yhdistelmäindeksi ei kata kaikkia näitä ulottuvuuksia.

Tulos osoittaa kuitenkin, ettei suurempi mittakaava automaattisesti takaa ainutlaatuista kilpailuetua. Parempi jälkikoulutus, tehokkaampi päättely, distillointi, erikoistuneet datavirrat ja avoin jakelu voivat tehdä pienemmästä mallista erittäin kilpailukykyisen tietyissä käyttötapauksissa.

Tekoälyinvestointeja arvioitaessa ei siksi riitä kysyä, kenellä on suurin malli. Olennaisempia kysymyksiä ovat, kuka tarjoaa parhaan suorituskyvyn ja kustannusten suhteen, kuka hallitsee jakelukanavia ja kenen ympärille syntyy käyttökelpoisin kehittäjäekosysteemi.

Alibaba rakentaa ekosysteemiä, ei vain yhtä mallia

Alibaba kertoo Qwen-perheen sisältävän yli 460 open-mallia ja ylittäneen kolmen miljardin maailmanlaajuisen latauksen rajan kuuden kuukauden aikana. Kyse on yhtiön ilmoittamista ekosysteemiluvuista: ne kuvaavat tavoittavuutta, eivät yksittäisten aktiivisten käyttäjien määrää, liikevaihtoa tai todistettua tuotantokäyttöä.

Hugging Facen riippumattomammissa luvuissa Qwen-malleille ilmoitetaan noin 2,045 miljardia latausta vuoden 2026 aikana kyseisellä alustalla. Tämä rajaus koskee vain Hugging Facea, joten se ei ole suoraan ristiriidassa Alibaban kaikkien alustojen yhteislukeman kanssa.

Avoimet painot luovat erilaista kilpailuetua kuin pelkkä pilvi-API. Kehittäjät, pilvipalvelut, laitevalmistajat ja alueelliset järjestelmäintegraattorit voivat rakentaa mallin ympärille hienosäädettyjä ja kvantisoituja versioita sekä erikoistuneita tuotteita. Kaikkea ei tarvitse odottaa Alibaban oman API-palvelun kautta.

Laite- ja kiihdytinvalmistajien yhteistyö voi puolestaan helpottaa paikallista päättelyä ja vahvistaa koko ekosysteemiä. Kilpailun kohteena ei tällöin ole vain paras suljettu malli, vaan myös kehittäjien huomio, jakelukanavat, optimoidut laitepinot ja mallin ympärille syntyvät johdannaisversiot.

Myös kaksijakoinen lisenssistrategia on kiinnostava. Apache 2.0 -lisenssi 27B-mallille maksimoi käyttöönoton, kun taas Qwen3.8-Maxin erilliset kaupalliset ehdot tarjoavat Alibaballe tavan saada arvoa erittäin suurista kaupallisista käyttöönotoinneista.

Johtopäätös kehittäjille ja yrityksille

Jos organisaatio tarvitsee datan hallintaa, paikallista käyttöä, hienosäätöä tai pienempää riippuvuutta suljetuista API-palveluista, Qwen3.8-27B on varteenotettava vaihtoehto. Intelligence Indexin 52 pistettä nostavat sen tässä vertailussa GPT-5.6 Lunan rinnalle ja GPT-5.6 Terran yläpuolelle.

Yritykselle, joka tarvitsee valmiin skaalautuvan palvelun, hallinnoidun luotettavuuden tai mahdollisimman vaivattoman käyttöönoton, suljettu pilvimalli voi silti olla parempi ratkaisu. Valintaa ei pitäisi tehdä vain benchmark-pisteiden tai parametrimäärän perusteella, vaan kokonaiskustannusten, tietosuojan, infrastruktuurin, lisenssin ja oman työprosessin perusteella.

Qwen3.8-27B ei todista, että frontier-tason tekoäly olisi jo muuttunut hyödykkeeksi. Se osoittaa jotain käytännöllisempää: vahvat open-weight-ominaisuudet leviävät niin nopeasti, että paikallinen kehitys, mallin mukauttaminen ja riippumattomuus yhdestä pilvipalveluntarjoajasta ovat nousemassa keskeisiksi kilpailueduiksi.