На початку серпня 2026 року китайський технологічний гігант Alibaba Group представив оновлену флагманську модель штучного інтелекту Qwen3.8-Max. Це рішення з колосальною кількістю параметрів — 2,4 трильйона (з яких 95 мільярдів є активними) — спочатку призначалося для роботи в хмарній інфраструктурі. Однак компанія швидко перейшла до стратегії відкритості, опублікувавши ваги моделі у вільному доступі. Паралельно з цим було випущено компактний варіант Qwen3.8-27B, який став справжнім проривом для ентузіастів та розробників, які бажають запускати потужні нейронні мережі на власному обладнанні.
Конкуренція з Meta та Anthropic
Вихід Qwen3.8-27B став прямим викликом лідерам ринку відкритих моделей. У цей же час американська Meta випустила модель Glimmer (30 мільярдів параметрів), але Alibaba продемонструвала, що їхнє рішення може бути ефективнішим. За заявою розробників, Qwen3.8-27B має видатні можливості у написанні коду, наукових дослідженнях та виконанні довгострокових агентських завдань. Тести, проведені самою компанією, показали, що якість відповідей цієї моделі відповідає рішенням, які в десять разів більші за розміром. У порівняльних тестах Qwen3.8-27B перевершила Meta Glimmer 30B і показала результати, порівнянні або навіть перевершуючі закритий модель Anthropic Opus 4.6, яка вийшла у лютому 2026 року.
Технічні вимоги та квантування
Для запуску оригінальної версії моделі з 32-бітною точністю (FP32) потрібні серйозні ресурси: мінімум 108 ГБ відеопам'яті та близько 120 ГБ дискового простору для KV-кешу. Однак завдяки технологіям квантування модель стала доступною для широкого кола користувачів. Версія з точністю FP16 потребує 64 ГБ відеопам'яті, а квантований варіант Q5_K_M обходиться всього 22 ГБ. Це дозволяє запускати модель на флагманських відеокартах, таких як AMD Radeon 7900 XTX та Nvidia GeForce RTX 3090 (Ti), 4090 і 5090. Крім того, доступний варіант з вагами NVFP4, оптимізований для обчислювальних блоків Nvidia Blackwell, який працює всього з 16 ГБ пам'яті.
Результати незалежного тестування
Журналісти ресурсу Heise провели власне тестування моделі в середовищі Llama.cpp на професійній відеокарті Nvidia RTX Pro 6000 Blackwell. Моделі було поставлено завдання розробити повний набір засобів REST API для системи управління запасами з контролем користувачів та авторизацією на основі ролей. Квантована версія NVFP4, яка споживає вдвічі менше пам'яті, ніж Q8_0, не показала помітного зниження точності. Модель написала якісний код, який зібрався з першої спроби та підтримував усі запитані функції. Якість проекту виявилася невідмінною від результатів роботи Anthropic Claude. Примітно, що модель самостійно знаходила дублікати в коді та проводила рефакторинг, хоча й демонструвала схильність до надмірного обдумування простих завдань.
Переваги локальних моделей
Запуск моделей ШІ на локальних ресурсах має ряд неоспоримих переваг перед хмарними рішеннями. Користувачам не потрібно оформлювати підписку та передавати персональні дані стороннім постачальникам. Відсутні обмеження, притаманні закритим моделям від Anthropic та OpenAI. Хоча у Qwen3.8-27B є певні обмеження, незабаром після випуску оригінального варіанту на Hugging Face з'явилися похідні версії, у яких ці обмеження було знято. Це робить модель привабливою для розробників, які цінують конфіденційність та автономність.
