Robocikowo>ROBOCIKOWO
Qwen3.6-27B
Modele AI›Qwen3

Qwen3.6-27B

3.6 · Rodzina: Qwen3
Otwarty (Apache 2.0) multimodalny model 27B z rodziny Qwen (Alibaba). Hybryda Gated DeltaNet + Gated Attention, kontekst 262 tys. tokenów, mocny w kodowaniu agentowym.
✓ Aktywny✓ Publiczny dostęp⚖ Open weightsModel multimodalnyLLMModel rozumowania📁 Qwen3
Okno kontekstowe
262K
tokenów
Parametry
27B
parametrów
Data premiery
21 kwietnia 2026
🏢QwenProducent🏢AlibabaWłaściciel
Dostęp:DownloadHostedWdrożenie:💻 Lokalnie☁ Cloud

Przegląd

Qwen3.6-27B to otwarty (open-weight) model multimodalny udostępniony 21 kwietnia 2026 przez zespół Qwen (Alibaba) na licencji Apache 2.0. To pierwszy wariant open-weight generacji Qwen3.6, zapowiadany jako nastawiony na stabilność i praktyczną użyteczność, ze szczególnym naciskiem na kodowanie agentowe (workflow frontendowe i rozumowanie na poziomie repozytorium).

Model łączy językowy rdzeń z enkoderem wizyjnym: przyjmuje tekst, obraz i wideo, a generuje tekst i kod. Warstwa językowa (27 mld parametrów, 64 warstwy, wymiar ukryty 5120) używa hybrydowego układu Gated DeltaNet (liniowa uwaga) przeplatanego z Gated Attention w proporcji 3:1, z grupowaną uwagą (GQA: 24 głowice Q, 4 głowice KV). Model jest trenowany z Multi-Token Prediction (MTP).

Natywne okno kontekstu wynosi 262 144 tokenów i jest rozszerzalne do ok. 1 010 000 tokenów. Wprowadzono opcję „Thinking Preservation”, która zachowuje kontekst rozumowania z wcześniejszych wiadomości, upraszczając iteracyjną pracę. Wagi są kompatybilne z Hugging Face Transformers, vLLM, SGLang i KTransformers.

Klasyfikacja
Model multimodalnyLLMModel rozumowania
Rodzina: Qwen3
Dostęp i wdrożenie
PobieranieHostowane
LokalnieChmura
Wagi: Open weights
Kluczowe parametry
📏 Kontekst: 262K
🧩 Parametry: 27B
✓ Narzędzia · ✓ Fine-tuning
📥 Wejście: tekst, obraz, wideo

Specyfikacja techniczna

Okno kontekstowe
262K
tokenów
Parametry
27B
parametrów
Licencja
Apache 2.0
Wymagania sprzętowe
Wagi w 15 plikach safetensors (bf16). Natywny kontekst 262 144 tokenów, rozszerzalny do ok. 1,01 mln tokenów.
Funkcje:✓ Używanie narzędzi✓ Fine-tuning
Modalności
⬇ Wejście (Input)
textimagevideo
⬆ Wyjście (Output)
textcode

Możliwości i zastosowania

Natywne możliwości modelu
Rozumowanie
Zdolność modelu do logicznego wnioskowania i rozwiązywania złożonych problemów.
Kategoria: reasoning
Rozumowanie wieloetapowe
Prowadzenie wieloetapowego toku rozumowania w długich, złożonych zadaniach.
Kategoria: reasoning
Rozumowanie matematyczne
Zdolność modelu do rozwiązywania zadań matematycznych wymagających wieloetapowego rozumowania — równania, dowody, kombinatoryka, geometria, rachunek różniczkowy, zadania konkursowe.
Kategoria: reasoning
Programowanie
Generowanie, analizowanie i modyfikowanie kodu w wielu językach programowania. Obejmuje pisanie funkcji, debugowanie, refaktoryzację, code review, tworzenie testów. Mierzone benchmarkami takimi jak HumanEval, SWE-bench.
Kategoria: coding
Kodowanie agentowe
Wielogodzinne, wieloetapowe zadania programistyczne wykonywane samodzielnie przez model: klonowanie repozytorium, uruchamianie testów, iteracja poprawek, integracja z narzędziami CLI. Charakterystyczne dla wariantów Codex (GPT-5.1-Codex-Mini, Codex-Max).
Kategoria: coding
Zdolności agentowe
Zdolność modelu do autonomicznego planowania i wykonywania wieloetapowych zadań poprzez sekwencyjne użycie narzędzi, utrzymywanie kontekstu i adaptację do wyników pośrednich.
Kategoria: planning
Użycie narzędzi
Zdolność modelu do wywoływania zewnętrznych funkcji, API i narzędzi w trakcie rozmowy: kalkulator, wyszukiwarka, edytor kodu, baza danych. Model decyduje kiedy i jak użyć narzędzia oraz interpretuje jego wynik.
Kategoria: planning
Długi kontekst
Obsługa dużych okien kontekstowych — dziesiątek do setek tysięcy (lub milionów) tokenów wejścia. Umożliwia analizę całych baz kodu, długich dokumentów, wielu równolegle rozmów bez utraty wcześniejszych informacji. GPT-5.1 wspiera 400 000 tokenów.
Kategoria: language
Wielojęzyczność
Kompetencje w wielu językach naturalnych (od kilku do stu+): rozumienie, generowanie, tłumaczenie, code-switching w obrębie jednej rozmowy. Modele frontier obsługują szeroki wachlarz języków ze zbliżoną jakością.
Kategoria: language
Wyjście strukturyzowane
Generowanie danych w ustrukturyzowanych formatach, np. JSON.
Kategoria: structured_generation
Rozszerzony tryb rozumowania
Wariant modelu rozumującego z dłuższym budżetem inferencji: więcej cykli myślenia, większa precyzja odpowiedzi kosztem czasu odpowiedzi. Wybór między 'standard' a 'extended' thinking pozostawiony użytkownikowi (np. selektor w GPT-5.2 Pro).
Kategoria: reasoning
Modelowanie języka
Zdolność przewidywania kolejnych tokenów i generowania spójnego tekstu w języku naturalnym na podstawie poprzedzającego kontekstu.
Kategoria: language
OCR
Rozpoznawanie tekstu na obrazach i w dokumentach.
Kategoria: vision

Wyniki benchmarków

11 benchmarków
SWE-bench
accuracy · SWE-bench Verified, kontekst agentowy
77.2%
📄 technical_report
SWE-Bench Pro
accuracy · kontekst agentowy
53.5%
📄 technical_report
Terminal-Bench 2.0
accuracy · kontekst agentowy
59.3%
📄 technical_report
LiveCodeBench
accuracy · wersja v6
83.9%
📄 technical_report
MMLU-Pro
accuracy
86.2%
📄 technical_report
GPQA
accuracy · GPQA Diamond
87.8%
📄 technical_report
AIME 2026
accuracy
94.1%
📄 technical_report
MMMU
accuracy
82.9%
📄 technical_report
MMMU-Pro
accuracy
75.8%
📄 technical_report
MathVista
accuracy · MathVista mini
87.4%
📄 technical_report
OCRBench
accuracy
89.4%
📄 technical_report

Architektura techniczna

Rdzeń architektury (Core Architecture)
TRTransformerDEDeltaNetLALinear AttentionGQGQANMNative MultimodalMTMTP
Forma modelu (Model Form)
LLLLMMLMultimodal LLMRMReasoning model
Techniki trenowania (Training Techniques)
ITInstruction TuningCOCoT

Źródła i powiązane strony