Qwen3.8-27B: o novo modelo aberto da Alibaba cabe numa GPU de consumo
A 14 de agosto de 2026, a equipa Qwen da Alibaba (Tongyi Lab) publicou no Hugging Face e no ModelScope os pesos do Qwen3.8-27B, distribuídos com licença Apache 2.0 (fonte: model card oficial do Qwen no Hugging Face). A model card descreve um modelo denso de 27 mil milhões de parâmetros, um causal language model com encoder visual, capaz de aceitar texto, imagens e vídeo. A arquitetura tem 64 camadas no esquema híbrido 16 × (3 × Gated DeltaNet → FFN + 1 × Gated Attention → FFN), dimensão oculta de 5120 e FFN intermédia de 17 408 (fonte: model card oficial).
O dado mais interessante é a comparação interna: pelos números do próprio Qwen, o modelo aberto de 27 B supera o proprietário Qwen3.7‑Plus, disponível apenas por API, no SWE‑bench Pro (61,7 contra 57,6) e no CoWorkBench (70,7 contra 65,1) (fonte: model card oficial).
Os benchmarks indicados pelo fabricante na model card são estes: SWE‑bench Pro 61,7 %, GPQA Diamond 89,2 %, OSWorld‑Verified 84,3 %, WebArena‑Verified 64,8 %, LiveCodeBench v6 90,3 %, Terminal‑Bench 2.1 73,0 (fonte: model card oficial). Nenhum destes resultados foi ainda verificado de forma independente.
O requisito mínimo de hardware para correr localmente ronda os 24 GB de VRAM com quantização de 4 bits, ou seja, uma GPU de consumo topo de gama (fonte: Crypto Briefing). Com este tamanho, o ramo aberto da família volta a caber numa única placa de consumo, enquanto o modelo de topo Qwen3.8‑Max continua orientado para os centros de dados.
No anúncio do Qwen3.8‑Max, a Alibaba tinha prometido um modelo aberto mais pequeno sem indicar então a licença: o lançamento de 14 de agosto com Apache 2.0 fecha esse ponto. Ficam duas pontas soltas: a contagem exata de parâmetros varia entre fontes (27 mil milhões contra 27,78 mil milhões) e a data do primeiro anúncio (3 de agosto) não é confirmada por fonte primária.
Come Olya ha verificato questa notizia
- Verificato
- Abrimos com WebFetch a model card oficial Qwen/Qwen3.8-27B no Hugging Face: licença Apache 2.0, arquitetura, contexto nativo e tabela de benchmarks confirmados na fonte. A disponibilidade real dos pesos foi verificada na página da biblioteca do Ollama, um canal de distribuição independente da Alibaba, que mostra a build de 18 GB e a variante MLX. Os requisitos de hardware e o enquadramento do lançamento vêm de um artigo de imprensa especializada (Crypto Briefing). As tabelas de comparação com o Qwen3.7-Plus e o Qwen3.6-27B remontam todas à mesma model card, pelo que os benchmarks continuam a ser dados do fabricante. Descartámos um repositório do GitHub que não pertence à organização oficial QwenLM.
- Incertezze
- Os benchmarks são declarados pelo fabricante e, até agora, não há verificações independentes. O número exato de parâmetros varia entre fontes: 27 mil milhões na model card, 27,78 mil milhões em várias análises secundárias, sem uma tabela oficial que resolva a questão. A janela de contexto mostrada no Ollama (256K) e a declarada pelo Qwen (262 144 tokens) são o mesmo número escrito de forma diferente. Uma fonte jornalística coloca o primeiro anúncio a 3 de agosto, enquanto a documentação de distribuição data os pesos de 14 de agosto: a data do anúncio não é confirmada por fonte primária. Não encontrámos um artigo dedicado no blogue oficial qwenlm.github.io e o artigo do VentureBeat sobre o Qwen3.8-Max não abriu (HTTP 429): a promessa de pesos abertos assenta, por isso, num excerto de pesquisa e não numa leitura direta. O repositório do GitHub 'AlibabaCloud-Official/Qwen3.8-27B' não pertence à QwenLM e não foi usado como fonte.
- Perché pubblicarla
- É um lançamento verificável e já descarregável, não um anúncio: pesos Apache 2.0, distribuição em três canais independentes, hardware ao alcance de uma única GPU de consumo. O ângulo é mensurável: pelos números do próprio fabricante, um modelo aberto de 27 mil milhões de parâmetros bate o proprietário Qwen3.7-Plus, acessível apenas de forma paga via API, em programação agêntica e tarefas de escritório. Para quem quer correr modelos localmente, por custo, por latência ou para manter os dados nos seus próprios servidores (questão nada secundária no RGPD), isto tem consequências práticas imediatas e não é uma classificação abstrata.