AnswersPublished26 sources
Qwen3.8-27B: Den lokala AI-modellen som utmanar Opus i kodning
Qwen3.8 27B är en tät, multimodal modell med 27 miljarder parametrar som kan köras lokalt i kvantiserad form på omkring 17 GB RAM eller VRAM. Modellen har stöd för text, bilder och video, ett inbyggt kontextfönster på 262 144 token och Apache 2.0 licens för bland annat kommersiell användning.
Publicerad avRedigerad med GPT-5.6 LunaBilder genererade med GPT Image 1.5
Research answer
Key takeaways
- Qwen3.8 27B är en tät, multimodal modell med 27 miljarder parametrar som kan köras lokalt i kvantiserad form på omkring 17 GB RAM eller VRAM.
- Modellen har stöd för text, bilder och video, ett inbyggt kontextfönster på 262 144 token och Apache 2.0 licens för bland annat kommersiell användning.
- Smeknamnet ”lokala Opus 4.6” bygger på starka resultat i vissa kodnings och agentbenchmark – inte på ett bevis för att modellen generellt matchar de bästa molnmodellerna.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Alibaba Qwen3.8-27B, the open-source Apache 2.0 model that topped Hugging Face’s global trending chart within two days, exceeded one. Article summary: Alibaba Qwen3.8-27B is a 27-billion-parameter, dense, open-weight multimodal model aimed at local agentic coding, tool use, and computer-use workloads. Its “local Opus 4.6” nickname is directionally useful for selected b. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
Alibaba har med Qwen3.8-27B släppt en öppen AI-modell som försöker flytta avancerad kodning och datorstyrning från molnet till den egna datorn. Modellen har 27 miljarder parametrar, kan ta emot text, bilder och video och är särskilt inriktad på programmering, resonemang, verktygsanvändning och agentarbetsflöden. 1
4
Det mest uppseendeväckande är inte bara modellens resultat, utan storleken på hårdvaran som krävs efter kvantisering. Vissa versioner kan köras på omkring 17 GB RAM eller VRAM, medan en mer praktisk 4-bitarsinstallation ofta riktar sig mot ett grafikkort med 24 GB minne eller en Mac med cirka 32 GB gemensamt minne. 1
4
Vad är Qwen3.8-27B?
Qwen3.8-27B är en tät modell, inte en mixture-of-experts-modell. Den är alltså byggd med 27 miljarder aktiva parametrar i samma modellkropp, snarare än att välja mellan många separata expertmoduler.
Modellen har ett inbyggt kontextfönster på 262 144 token, vilket enligt dokumentationen kan utökas till 1 miljon token. I viss dokumentation avrundas siffran till 256K, så den exakta kapaciteten beror på vilken modellfil och serverlösning som används. 4
1
Qwen3.8 körs i tänkande läge som standard och har reglaget reasoning_effort. Standardnivån xhigh kan ge långa resonemang och högre fördröjning. Lägen som medium och low är tänkta att ge snabbare svar med lägre beräkningskostnad. 6
19
Vikterna har släppts under Apache 2.0-licensen. Det innebär i regel att modellen får användas kommersiellt, ändras och distribueras vidare, så länge licensvillkoren följs och eventuella separata skyldigheter för kringliggande programvara eller data hanteras korrekt. 10
Varför kallas den ”lokala Opus 4.6”?
Smeknamnet syftar på kombinationen av en relativt liten modell, lokal körning och starka resultat i utvalda tester. Qwens egen jämförelse placerar Qwen3.8-27B före Claude Opus 4.6 Max i vissa kodnings- och arbetsflödestester, medan Opus leder i andra. 7
22
| Benchmark | Qwen3.8-27B | Opus 4.6 Max | Tolkning |
|---|---|---|---|
| SWE-bench Pro | 61,7 | 53,4 | Qwen leder i den rapporterade jämförelsen. |
| Terminal-Bench 2.1 | 73,0 | 78,2 | Opus leder i terminalbaserade agentuppgifter. |
| NL2Repo-Bench | 42,3 | 47,6 | Opus leder vid kodgenerering på projektnivå. |
| DeepSWE 1.1 | 42,2 | Ej angivet | Qwen förbättras kraftigt jämfört med föregångaren Qwen3.6-27B, som fick 13,3. |
| LiveCodeBench v6 | 90,3 | 88,8 | Qwen leder i den rapporterade jämförelsen. |
| GPQA-Diamond | 89,2 | 91,3 | Opus leder i detta avancerade resonemangstest. |
| Humanity’s Last Exam | 30,8 | 40,0 | Opus har ett tydligt försprång. |
| CoWorkBench | 70,7 | 68,2 | Qwen leder knappt i det rapporterade kontorsarbets-testet. |
| OSWorld-Verified | 84,3 | 72,7 | Qwen leder i jämförelsen av datoranvändning. |
Siffrorna kommer huvudsakligen från Qwens modellkort och jämförelser där olika modeller och testupplägg har satts bredvid varandra. Slutsatsen bör därför vara begränsad: Qwen3.8-27B är ovanligt konkurrenskraftig i förhållande till sin storlek, särskilt inom kodning, datoranvändning och strukturerade agentuppgifter. Resultaten bevisar inte att den alltid matchar eller slår Opus, DeepSeek, GPT eller andra frontier-modeller. 7
22
34
Benchmarkmönstret: stark på agenter, ojämn på svåra kunskapstest
Qwen3.8-27B verkar trivas bäst när den ska följa instruktioner, skriva eller reparera kod, styra en dator eller genomföra ett längre, strukturerat arbetsflöde. Resultatet 61,7 i SWE-bench Pro ligger över Opus 4.6 Max på 53,4, och CoWorkBench-resultatet 70,7 är något högre än Opus 68,2. 34
På svårare terminalinteraktion, kodgenerering på projektnivå och kunskapstunga resonemang ser bilden annorlunda ut. Opus får 78,2 mot Qwens 73,0 i Terminal-Bench, 47,6 mot 42,3 i NL2Repo-Bench, 91,3 mot 89,2 i GPQA-Diamond och 40,0 mot 30,8 i Humanity’s Last Exam. 34
Det är därför etiketten ”frontier-nivå” kan bli missvisande om den används utan förbehåll. Agentresultat påverkas av testmiljö, verktyg, prompt, kontextlängd, resonemangsnivå, sampling och vilket kodningsramverk som används. Oberoende bekräftelse av en bred överlägsenhet gentemot Opus-liknande system var fortfarande begränsad i den tillgängliga rapporteringen. 7
Påståenden om att Qwen3.8-27B motsvarar DeepSeek V4-Pro eller GPT 5.6 Luna bör därför ses som breda jämförelser, inte som ett slutgiltigt resultat från ett enda konsekvent och oberoende testpaket. 10
21
Vilken hårdvara behövs?
Det beror på modellformat, kvantiseringsnivå, kontextlängd och om bild-, video- eller agentfunktioner används.
- Cirka 17 GB RAM eller VRAM: Unsloth beskriver kvantiserade konfigurationer som kan köras inom detta spann. Det är ett minimikrav för själva körningen, inte en garanti för hög hastighet, lång kontext, multimodal kapacitet eller flera samtidiga agenter.
1
- Grafikkort med 24 GB: En 4-bitarsversion brukar anges som ett praktiskt alternativ för 24 GB, även om lång kontext och annan runtime-overhead snabbt minskar marginalerna.
4
- Mac med 32 GB gemensamt minne: En 4-bitarskonfiguration kan också beskrivas som körbar på en Mac med ungefär 32 GB unified memory.
- Kraftfull arbetsstations-GPU: FP8 eller kvantisering med högre kvalitet blir bekvämare med omkring 32 GB tillgängligt grafikminne. Ett kort med 24 GB passar i regel bättre för 4-bitarsvikter.
- CPU- eller RAM-avlastning: Möjligt med mindre kvantiserade modeller, men normalt betydligt långsammare än att hålla modellen och arbetsminnet på en kraftfull GPU.
Det är inte bara modellfilen som tar minne. Långa kontexter kräver extra KV-cache, och bilder eller video ökar belastningen ytterligare. En dator kan alltså tekniskt ladda modellen utan att den blir tillräckligt snabb för interaktiv programmering eller datorstyrande agenter.
Kvantisering: från laptopvänlig till kvalitetsfokuserad
Atomic Dynamics GGUF-versioner sträcker sig från omkring 28,9 GB vid 8 bitar till 8,5 GB vid 1 bit. En version på 13,84 GB, AD-IQ3_S, beskrivs som ett mer realistiskt alternativ för att hålla hela modellen på en dator med 16 GB minne. Lägre bitdjup innebär däremot tydligare kvalitetsförluster. 3
9
11
Kvantisering lagrar modellvikterna med färre bitar och minskar därmed minnesbehovet. Nackdelarna kan vara:
- sämre svarskvalitet vid aggressiv komprimering;
- mindre utrymme för kontext och KV-cache;
- försämrad tillförlitlighet i bild-, video- och verktygsanvändning;
- varierande hastighet beroende på processor och runtime; samt
- mindre marginal för flera samtidiga förfrågningar.
FP8 är ett separat alternativ som försöker bevara kvaliteten bättre än mer aggressiv kvantisering, samtidigt som minnesbehovet minskar jämfört med högre precision. Den officiella FP8-versionen använder blockbaserad kvantisering och stöds av bland annat Transformers, vLLM, SGLang och TokenSpeed. 40
Programvarustöd och lokal körning
De officiella Hugging Face-filerna anges vara kompatibla med Transformers, vLLM, SGLang och närliggande serversystem. FP8-filer finns för miljöer som stöder formatet. 19
40
Ollama kan vara ett enkelt alternativ för lokal användning via GGUF och community-paketering. Det bör dock inte blandas ihop med det officiella stödet för de ursprungliga Transformers-filerna. Valet beror på om målet är en enkel datorinstallation, finjustering, maximal genomströmning eller integration i ett eget agentramverk.
Varför lanseringen spelar roll
Qwen3.8-27B gör det enklare att experimentera med privata kodnings- och datoragenter. Organisationer kan köra modellen i sin egen miljö i stället för att skicka varje prompt, källkod, skärmbild eller arbetsinstruktion till ett moln-API. Vikterna kan dessutom granskas, anpassas och integreras i programvara under den angivna öppna licensen. 1
10
Lokal körning är däremot inte automatiskt säker. En agent som får ändra kod, köra skalkommandon, besöka webbplatser eller styra skrivbordet bör köras i en sandbox och få så begränsade rättigheter som möjligt. Lokal lagring minskar en typ av dataexponering, men eliminerar inte promptinjektion, skadlig kod, felaktig verktygsanvändning eller modellfel.
Intresset för modellen växte snabbt. Qwen3.8-27B passerade enligt rapporteringen en miljon nedladdningar på kort tid, medan Unsloths kvantiserade versioner senare rapporterade flera miljoner. Sådana siffror är tidskänsliga plattformsdata och säger i sig inget säkert om modellens kvalitet. 48
54
56
Slutsats
Qwen3.8-27B är bäst att förstå som ett genombrott i effektivitet och tillgänglighet – inte som en bevisad ersättare för Opus i alla situationer. Modellen kombinerar multimodal input, lång kontext, justerbart resonemang, öppen licens och aggressiv kvantisering med mycket konkurrenskraftiga resultat inom vissa kodnings-, kontors- och datoranvändningsuppgifter. 4
19
34
För utvecklare är den värd att testa lokalt när integritet, kontroll över driften och kodningsagenter står i centrum. Men den som läser rubriken ”lokal Opus” bör komma ihåg resten av tabellen: Qwen3.8-27B leder i vissa tester och ligger efter i andra.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Qwen3.8-27B: Den lokala AI-modellen som utmanar Opus i kodning"?
Qwen3.8 27B är en tät, multimodal modell med 27 miljarder parametrar som kan köras lokalt i kvantiserad form på omkring 17 GB RAM eller VRAM.
What are the key points to validate first?
Qwen3.8 27B är en tät, multimodal modell med 27 miljarder parametrar som kan köras lokalt i kvantiserad form på omkring 17 GB RAM eller VRAM. Modellen har stöd för text, bilder och video, ett inbyggt kontextfönster på 262 144 token och Apache 2.0 licens för bland annat kommersiell användning.
What should I do next in practice?
Smeknamnet ”lokala Opus 4.6” bygger på starka resultat i vissa kodnings och agentbenchmark – inte på ett bevis för att modellen generellt matchar de bästa molnmodellerna.
Sources
simonwillison.netQwen 3.8 27B is excellent, but it defaults to wildly overthinking things
huggingface.coQwen/Qwen3.8-27B
pandaily.comA Local Opus? Alibaba Qwen Open-Sources Qwen3.8-27B — Frontier Coding and Agent Scores That Runs on 17GB of RAM