Qwen 3.6 27B
27 miliardi di parametri, architettura dense - supera il predecessore MoE da 397B
Qwen 3.6 27B è un modello dense basato sull'architettura Hybrid Gated DeltaNet con 64 layer e contesto nativo da 262K. Raggiunge il 77.2% su SWE-bench Verified, superando il Qwen 3 MoE da 397B al 76.2%, occupando circa 55.6GB di VRAM in FP16 o circa 18GB con quantizzazione.
Varianti del modello
Architettura dense, massima qualità per parametro
Qwen 3.6 27B offre prestazioni di livello frontier in un formato dense da 27B. Scegli la variante instruction-tuned per chat e task agentici, oppure il modello base per il fine-tuning.
Architettura Hybrid Gated DeltaNet
27B parametri dense, 64 layer, dimensione nascosta 5120
Qwen 3.6 27B utilizza un design Hybrid Gated DeltaNet che combina l'efficienza dell'attenzione lineare con la ricorrenza gated. La finestra di contesto nativa da 262K è estendibile a 1M di token, ideale per l'analisi di documenti lunghi e workflow agentici complessi.
Con requisiti VRAM di circa 55.6GB in FP16 o circa 18GB quantizzato, questo modello gira su una singola GPU di fascia alta o su due GPU consumer con il formato qwen 3.6 27b gguf.
Instruction-tuned
27B Instruct
Ottimizzato per AI conversazionale, coding e task agentici complessi
Fine-tuned per seguire istruzioni, dialogo multi-turno e uso di tool tramite la qwen 3.6 27b api
Pre-addestrato
27B Base
Modello dense di base per fine-tuning e applicazioni specializzate
Pre-addestrato su dati diversificati con architettura Hybrid Gated DeltaNet per la massima qualità
Capacità
Un modello dense che batte avversari molto più grandi
Qwen 3.6 27B combina l'architettura Hybrid Gated DeltaNet con un contesto da 262K per offrire prestazioni che superano modelli 14 volte più grandi sui benchmark di coding reali.
Ingegneria software d'élite
77.2% su SWE-bench Verified - batte il Qwen 3 MoE da 397B (76.2%). I risultati dei benchmark di qwen 3.6 27b dimostrano che le architetture dense possono competere con modelli di scala frontier sul coding reale.
Padronanza del terminale
59.3 su Terminal-Bench 2.0, alla pari con Claude 4.5 Opus. Gestisce workflow complessi multi-step nel terminale, sessioni di debug e task di amministrazione di sistema con competenza da esperto.
Ragionamento avanzato
94.1% su AIME 2026 in matematica e 86.2 su MMLU-Pro per il ragionamento. La modalità di pensiero step-by-step permette una risoluzione trasparente dei problemi in matematica, logica e scienze.
Contesto da 262K a 1M
Finestra di contesto nativa da 262K estendibile a 1M di token. Elabora intere codebase, paper di ricerca lunghi e conversazioni multi-turno senza perdere coerenza.
Coding competitivo
83.9 su LiveCodeBench v6 per la programmazione competitiva. Eccelle nella risoluzione di problemi algoritmici, generazione di codice e task di debug complessi.
Esecuzione pratica di competenze
48.2 su SkillsBench, superando Claude 4.5 Opus (45.3). Dimostra una capacità superiore nel seguire istruzioni complesse ed eseguire task reali multi-step.
Punti chiave
Risultati benchmark eccezionali per qwen 3.6 27b
Qwen 3.6 27B raggiunge risultati di livello frontier su coding, ragionamento e benchmark agentici mantenendo un'inferenza dense efficiente.
Risultati di punta
- SWE-bench Verified: 77.2% - batte il predecessore MoE da 397B (76.2%)
- Terminal-Bench 2.0: 59.3 - alla pari con Claude 4.5 Opus
- SkillsBench: 48.2 - batte Claude 4.5 Opus (45.3)
- AIME 2026: 94.1% in matematica
- LiveCodeBench v6: 83.9 nel coding competitivo
Specifiche tecniche
- 27B parametri dense, 64 layer, dimensione nascosta 5120
- Architettura Hybrid Gated DeltaNet
- Contesto nativo da 262K, estendibile a 1M di token
- qwen 3.6 27b vram: ~55.6GB FP16, ~18GB quantizzato
- Disponibile in formato qwen 3.6 27b gguf per il deployment locale
Prestazioni
Un modello dense da 27B che supera un MoE da 397B sul coding reale
Qwen 3.6 27B raggiunge il 77.2% su SWE-bench Verified e il 94.1% su AIME 2026, dimostrando che un modello dense ben progettato può eguagliare o superare modelli molto più grandi.
La suite di benchmark di qwen 3.6 27b dimostra un'eccellenza costante nell'ingegneria software, operazioni da terminale, matematica e coding competitivo - rivaleggiando o superando modelli con 10 volte più parametri.
SWE-bench Verified: 77.2% - supera il Qwen 3 MoE da 397B (76.2%)
Terminal-Bench 2.0: 59.3 - alla pari con Claude 4.5 Opus
SkillsBench: 48.2 - batte Claude 4.5 Opus a 45.3
AIME 2026: 94.1% in matematica avanzata
MMLU-Pro: 86.2 su diversi domini di conoscenza
Confronto benchmark
Qwen 3.6 27B vs modelli frontier
Qwen 3.6 27B offre prestazioni di livello frontier su ingegneria software, operazioni da terminale, ragionamento e benchmark di coding. Accedi ai risultati tramite la qwen 3.6 27b api.
| Benchmark | Qwen 3.6 27B Dense In evidenza | Qwen 3 235B A22B MoE | Claude 4.5 Opus Proprietario | Qwen 3.6 35B A3B MoE |
|---|---|---|---|---|
SWE-bench Verified Ingegneria software reale | 77.2% | 76.2% | - | 73.4% |
Terminal-Bench 2.0 Operazioni da terminale | 59.3 | - | 59.3 | 51.5 |
SkillsBench Esecuzione di task reali | 48.2 | - | 45.3 | - |
AIME 2026 Matematica No tools | 94.1% | - | - | 92.7% |
LiveCodeBench v6 Coding competitivo | 83.9 | - | - | 80.4 |
MMLU-Pro Conoscenza e ragionamento | 86.2 | - | - | - |
Risultati benchmark dalla model card ufficiale di Qwen 3.6 e dalle valutazioni HuggingFace.
Hybrid Gated DeltaNet
Una nuova architettura che ridefinisce l'efficienza dei modelli dense
L'architettura Hybrid Gated DeltaNet combina attenzione lineare e ricorrenza gated su 64 layer con dimensione nascosta 5120. Questo design permette un contesto nativo da 262K estendibile a 1M di token, mantenendo la semplicità d'inferenza di un modello dense.
- 64 layer con dimensione nascosta 5120 per un apprendimento profondo delle rappresentazioni
- Finestra di contesto nativa da 262K, estendibile a 1M di token
- qwen 3.6 27b vram: ~55.6GB FP16, ~18GB con quantizzazione (qwen 3.6 27b gguf)
Ingegneria Software
77.2% SWE-bench Verified - il modello dense che ha battuto un MoE da 397B
Qwen 3.6 27B raggiunge il 77.2% su SWE-bench Verified, superando il predecessore MoE da 397B al 76.2%. Combinato con 59.3 su Terminal-Bench 2.0 (alla pari con Claude 4.5 Opus) e 83.9 su LiveCodeBench v6, è un assistente completo per l'ingegneria software accessibile tramite la qwen 3.6 27b api.
- 77.2% SWE-bench Verified - risoluzione di issue GitHub reali
- 59.3 Terminal-Bench 2.0 - operazioni da terminale a livello esperto
- 83.9 LiveCodeBench v6 - eccellenza nel coding competitivo
Per iniziare
Prova Qwen 3.6 27B ora
Inizia a chattare subito tramite la qwen 3.6 27b api, oppure scarica i pesi per il deployment self-hosted.
Prova qwen3.6-27b subito - nessuna configurazione richiesta
Integra tramite la qwen 3.6 27b api con endpoint compatibili OpenAI
Specifiche tecniche complete e risultati benchmark di qwen 3.6 27b
Repository ufficiale del modello con pesi e documentazione
Deployment locale
Esegui Qwen 3.6 27B sul tuo hardware
Fai il deploy in locale con i pesi quantizzati qwen 3.6 27b gguf. Gira su hardware consumer con circa 18GB di VRAM.
Ecosistema Qwen
Parte della famiglia di modelli Qwen 3.6
Qwen 3.6 27B fa parte dell'ultima famiglia di modelli di Alibaba, con varianti dense e MoE, ampio supporto della community e compatibilità con numerosi framework.
Per iniziare
Pronto a sviluppare con Qwen 3.6 27B?
Inizia a chattare subito gratis, oppure scarica i pesi di qwen3.6-27b per il deployment self-hosted sulla tua infrastruttura.