Qwen 3.6 27B

270億パラメータのデンスアーキテクチャ - 397B MoE前世代モデルを超える性能

Qwen 3.6 27Bは、64層のHybrid Gated DeltaNetアーキテクチャと262Kネイティブコンテキストを備えたデンスモデルです。SWE-bench Verifiedで77.2%を達成し、397B MoEのQwen 3（76.2%）を上回ります。FP16で約55.6GB、量子化で約18GBのVRAMで動作します。

チャットを始めるベンチマークを見る

モデルバリエーション

デンスアーキテクチャ、パラメータあたり最高の品質

Qwen 3.6 27Bは、コンパクトな27Bデンスモデルで最先端クラスの性能を実現します。チャットやエージェントタスク向けのインストラクションチューニング済みモデルと、ファインチューニング向けのベースモデルからお選びいただけます。

Hybrid Gated DeltaNetアーキテクチャ

27Bデンスパラメータ、64層、隠れ次元5120

Qwen 3.6 27Bは、線形アテンションの効率性とゲート付きリカレンスを組み合わせたHybrid Gated DeltaNet設計を採用しています。262Kネイティブコンテキストウィンドウは最大1Mトークンまで拡張可能で、長文ドキュメント分析や複雑なエージェントワークフローに最適です。

qwen 3.6 27b vramはFP16で約55.6GB、量子化で約18GBです。ハイエンドGPU1枚、またはコンシューマーGPU2枚でqwen 3.6 27b ggufフォーマットを使用して動作します。

チャットを始める機能を見る

インストラクションチューニング済み

27B Instruct

対話型AI、コーディング、複雑なエージェントタスクに最適化

qwen 3.6 27b apiを通じた指示追従、マルチターン対話、ツール使用のファインチューニング済み

提供中

チャットを始める重みをダウンロード

事前学習済み

27B Base

ファインチューニングや専門用途向けの基盤デンスモデル

Hybrid Gated DeltaNetアーキテクチャで多様なデータを用いて事前学習済み、最高品質を実現

提供中

HuggingFaceで見るファインチューニングガイド

機能

サイズを超えた性能を発揮するデンスモデルの実力

Qwen 3.6 27Bは、Hybrid Gated DeltaNetアーキテクチャと262Kコンテキストを組み合わせ、実世界のコーディングベンチマークで14倍のサイズのモデルを上回る性能を実現します。

トップクラスのソフトウェアエンジニアリング

SWE-bench Verifiedで77.2%を達成し、397B MoEのQwen 3（76.2%）を上回ります。qwen 3.6 27b benchmarkの結果は、デンスアーキテクチャが最先端規模のモデルに匹敵できることを証明しています。

ターミナル操作の達人

Terminal-Bench 2.0で59.3を達成し、Claude 4.5 Opusに匹敵。複雑なマルチステップのターミナルワークフロー、デバッグセッション、システム管理タスクをエキスパートレベルで処理します。

高度な推論

AIME 2026の数学で94.1%、MMLU-Proの知識推論で86.2を達成。ステップバイステップの思考モードにより、数学、論理、科学の問題を透明に解決します。

262Kから1Mコンテキスト

262Kネイティブコンテキストウィンドウは最大1Mトークンまで拡張可能。コードベース全体、長文の研究論文、マルチターン会話を一貫性を保ちながら処理します。

競技プログラミング

LiveCodeBench v6で83.9を達成。アルゴリズム問題の解決、コード生成、複雑なデバッグタスクに優れた性能を発揮します。

実践的なスキル実行

SkillsBenchで48.2を達成し、Claude 4.5 Opus（45.3）を上回ります。複雑な指示の追従とマルチステップの実世界タスク実行において優れた能力を発揮します。

主なハイライト

卓越したqwen 3.6 27b benchmarkの結果

Qwen 3.6 27Bは、効率的なデンス推論を維持しながら、コーディング、推論、エージェントベンチマークで最先端クラスの結果を達成しています。

主な実績

SWE-bench Verified: 77.2% - 397B MoE前世代モデル（76.2%）を上回る
Terminal-Bench 2.0: 59.3 - Claude 4.5 Opusに匹敵
SkillsBench: 48.2 - Claude 4.5 Opus（45.3）を上回る
AIME 2026: 94.1% 数学
LiveCodeBench v6: 83.9 競技プログラミング

技術仕様

27Bデンスパラメータ、64層、隠れ次元5120
Hybrid Gated DeltaNetアーキテクチャ
262Kネイティブコンテキスト、最大1Mトークンまで拡張可能
qwen 3.6 27b vram: FP16で約55.6GB、量子化で約18GB
ローカルデプロイ向けqwen 3.6 27b ggufフォーマット対応

無料でチャットを始める重みをダウンロード

パフォーマンス

397B MoEを実世界のコーディングで上回るデンス27Bモデル

Qwen 3.6 27Bは、SWE-bench Verifiedで77.2%、AIME 2026で94.1%を達成し、優れたアーキテクチャ設計のデンスモデルが何倍ものサイズのモデルに匹敵・凌駕できることを証明しています。

qwen 3.6 27b benchmarkスイートは、ソフトウェアエンジニアリング、ターミナル操作、数学、競技プログラミングにおいて一貫した卓越性を示しており、10倍以上のパラメータを持つモデルに匹敵・凌駕しています。

チャットを始めるモデルカードを見る

Qwen 3.6 27B コーディングおよび推論ベンチマークのパフォーマンス比較チャート

SWE-bench Verified: 77.2% - 397B MoE Qwen 3（76.2%）を上回る

Terminal-Bench 2.0: 59.3 - Claude 4.5 Opusに匹敵

SkillsBench: 48.2 - Claude 4.5 Opus（45.3）を上回る

AIME 2026: 94.1% 高度な数学

MMLU-Pro: 86.2 多様な知識領域

ベンチマーク比較

Qwen 3.6 27B vs 最先端モデル

Qwen 3.6 27Bは、ソフトウェアエンジニアリング、ターミナル操作、推論、コーディングベンチマークで最先端クラスの性能を発揮します。qwen 3.6 27b apiからアクセス可能。

Benchmark	Qwen 3.6 27B デンス注目	Qwen 3 235B A22B MoE	Claude 4.5 Opus プロプライエタリ	Qwen 3.6 35B A3B MoE
SWE-bench Verified 実世界のソフトウェアエンジニアリング	77.2%	76.2%	-	73.4%
Terminal-Bench 2.0 ターミナル操作	59.3	-	59.3	51.5
SkillsBench 実世界のタスク実行	48.2	-	45.3	-
AIME 2026 数学 No tools	94.1%	-	-	92.7%
LiveCodeBench v6 競技プログラミング	83.9	-	-	80.4
MMLU-Pro 知識と推論	86.2	-	-	-

ベンチマーク結果はQwen 3.6公式モデルカードおよびHuggingFace評価より。

Hybrid Gated DeltaNet

デンスモデルの効率性を再定義する新アーキテクチャ

Hybrid Gated DeltaNetアーキテクチャは、64層と隠れ次元5120にわたって線形アテンションとゲート付きリカレンスを組み合わせています。この設計により、デンスモデルの推論のシンプルさを維持しながら、262Kネイティブコンテキストを最大1Mトークンまで拡張可能にしています。

64層、隠れ次元5120による深い表現学習
262Kネイティブコンテキストウィンドウ、最大1Mトークンまで拡張可能
qwen 3.6 27b vram: FP16で約55.6GB、量子化で約18GB（qwen 3.6 27b gguf）

チャットを始めるアーキテクチャの詳細を見る

ソフトウェアエンジニアリング

SWE-bench Verified 77.2% - 397B MoEを超えたデンスモデル

Qwen 3.6 27Bは、SWE-bench Verifiedで77.2%を達成し、397B MoE前世代モデルの76.2%を上回ります。Terminal-Bench 2.0で59.3（Claude 4.5 Opusに匹敵）、LiveCodeBench v6で83.9と合わせて、qwen 3.6 27b apiからアクセスできる完全なソフトウェアエンジニアリングアシスタントです。