Qwen 3.6 27B

270억 파라미터 Dense 아키텍처 - 397B MoE 전작을 뛰어넘는 성능

Qwen 3.6 27B는 64개 레이어와 262K 네이티브 컨텍스트를 갖춘 Hybrid Gated DeltaNet 아키텍처 기반 Dense 모델입니다. SWE-bench Verified에서 77.2%를 달성하여 397B MoE Qwen 3(76.2%)를 능가하며, FP16 기준 약 55.6GB, 양자화 시 약 18GB VRAM으로 구동됩니다.

채팅 시작하기 벤치마크 보기

모델 변형

Dense 아키텍처, 파라미터당 최고 품질

Qwen 3.6 27B는 27B Dense 폼팩터에서 프론티어급 성능을 제공합니다. 채팅 및 에이전트 작업에는 Instruct 버전을, 파인튜닝에는 Base 모델을 선택하세요.

Hybrid Gated DeltaNet 아키텍처

27B Dense 파라미터, 64개 레이어, 히든 차원 5120

Qwen 3.6 27B는 선형 어텐션의 효율성과 게이트 순환을 결합한 Hybrid Gated DeltaNet 설계를 사용합니다. 262K 네이티브 컨텍스트 윈도우는 1M 토큰까지 확장 가능하여 장문 분석과 복잡한 에이전트 워크플로에 적합합니다.

FP16 기준 약 55.6GB, 양자화 시 약 18GB VRAM이 필요하며, 고성능 GPU 1개 또는 일반 GPU 2개로 qwen 3.6 27b gguf 포맷을 통해 구동할 수 있습니다.

채팅 시작하기 기능 살펴보기

인스트럭션 튜닝

27B Instruct

대화형 AI, 코딩, 복잡한 에이전트 작업에 최적화

qwen 3.6 27b api를 통한 지시 수행, 멀티턴 대화, 도구 사용에 맞춰 파인튜닝

지금 이용 가능

채팅 시작하기 가중치 다운로드

사전 학습

27B Base

파인튜닝 및 특수 애플리케이션을 위한 기반 Dense 모델

최고 품질을 위해 Hybrid Gated DeltaNet 아키텍처로 다양한 데이터에 사전 학습

지금 이용 가능

HuggingFace에서 보기 파인튜닝 가이드

주요 기능

체급을 뛰어넘는 Dense 파워하우스

Qwen 3.6 27B는 Hybrid Gated DeltaNet 아키텍처와 262K 컨텍스트를 결합하여 14배 큰 모델을 실제 코딩 벤치마크에서 능가하는 성능을 제공합니다.

최상위 소프트웨어 엔지니어링

SWE-bench Verified 77.2% - 397B MoE Qwen 3(76.2%)를 능가합니다. qwen 3.6 27b benchmark 결과는 Dense 아키텍처가 프론티어급 모델과 대등한 실제 코딩 성능을 달성할 수 있음을 증명합니다.

터미널 마스터리

Terminal-Bench 2.0에서 59.3으로 Claude 4.5 Opus와 동등한 수준입니다. 복잡한 다단계 터미널 워크플로, 디버깅 세션, 시스템 관리 작업을 전문가 수준으로 처리합니다.

고급 추론

AIME 2026 수학 94.1%, MMLU-Pro 지식 추론 86.2. 단계별 사고 모드로 수학, 논리, 과학 분야에서 투명한 문제 해결이 가능합니다.

262K ~ 1M 컨텍스트

262K 네이티브 컨텍스트 윈도우, 최대 1M 토큰까지 확장 가능. 전체 코드베이스, 긴 연구 논문, 멀티턴 대화를 일관성 있게 처리합니다.

경쟁 프로그래밍

LiveCodeBench v6에서 83.9를 달성. 알고리즘 문제 해결, 코드 생성, 복잡한 디버깅 작업에 탁월합니다.

실용적 스킬 실행

SkillsBench에서 48.2로 Claude 4.5 Opus(45.3)를 능가합니다. 복잡한 지시 수행과 다단계 실제 작업 실행에서 뛰어난 능력을 보여줍니다.

핵심 하이라이트

뛰어난 qwen 3.6 27b benchmark 결과

Qwen 3.6 27B는 효율적인 Dense 추론을 유지하면서 코딩, 추론, 에이전트 벤치마크에서 프론티어급 결과를 달성합니다.

주요 성과

SWE-bench Verified: 77.2% - 397B MoE 전작(76.2%) 능가
Terminal-Bench 2.0: 59.3 - Claude 4.5 Opus와 동등
SkillsBench: 48.2 - Claude 4.5 Opus(45.3) 능가
AIME 2026: 94.1% 수학
LiveCodeBench v6: 83.9 경쟁 프로그래밍

기술 사양

27B Dense 파라미터, 64개 레이어, 히든 차원 5120
Hybrid Gated DeltaNet 아키텍처
262K 네이티브 컨텍스트, 최대 1M 토큰 확장 가능
qwen 3.6 27b vram: FP16 약 55.6GB, 양자화 약 18GB
로컬 배포를 위한 qwen 3.6 27b gguf 포맷 지원

무료 채팅 시작 가중치 다운로드

성능

실제 코딩에서 397B MoE를 능가하는 Dense 27B

Qwen 3.6 27B는 SWE-bench Verified 77.2%, AIME 2026 94.1%를 달성하여 잘 설계된 Dense 모델이 훨씬 큰 모델과 대등하거나 이를 능가할 수 있음을 증명합니다.

qwen 3.6 27b benchmark 결과는 소프트웨어 엔지니어링, 터미널 작업, 수학, 경쟁 프로그래밍 전반에서 일관된 우수성을 보여주며, 10배 이상 파라미터를 가진 모델과 대등하거나 이를 능가합니다.

채팅 시작하기 모델 카드 보기

SWE-bench Verified: 77.2% - 397B MoE Qwen 3(76.2%) 능가

Terminal-Bench 2.0: 59.3 - Claude 4.5 Opus와 동등

SkillsBench: 48.2 - Claude 4.5 Opus(45.3) 능가

AIME 2026: 94.1% 고급 수학

MMLU-Pro: 86.2 다양한 지식 영역

벤치마크 비교

Qwen 3.6 27B vs 프론티어 모델

Qwen 3.6 27B는 소프트웨어 엔지니어링, 터미널 작업, 추론, 코딩 벤치마크에서 프론티어급 성능을 제공합니다. qwen 3.6 27b api를 통해 결과를 확인하세요.

Benchmark	Qwen 3.6 27B Dense 주목	Qwen 3 235B A22B MoE	Claude 4.5 Opus 프로프라이어터리	Qwen 3.6 35B A3B MoE
SWE-bench Verified 실제 소프트웨어 엔지니어링	77.2%	76.2%	-	73.4%
Terminal-Bench 2.0 터미널 작업	59.3	-	59.3	51.5
SkillsBench 실제 작업 실행	48.2	-	45.3	-
AIME 2026 수학 No tools	94.1%	-	-	92.7%
LiveCodeBench v6 경쟁 프로그래밍	83.9	-	-	80.4
MMLU-Pro 지식 및 추론	86.2	-	-	-

공식 Qwen 3.6 모델 카드 및 HuggingFace 평가 기반 벤치마크 결과.

Hybrid Gated DeltaNet

Dense 모델 효율성을 재정의하는 새로운 아키텍처

Hybrid Gated DeltaNet 아키텍처는 64개 레이어와 히든 차원 5120에 걸쳐 선형 어텐션과 게이트 순환을 결합합니다. 이 설계는 Dense 모델의 추론 단순성을 유지하면서 262K 네이티브 컨텍스트(최대 1M 토큰 확장 가능)를 지원합니다.

심층 표현 학습을 위한 64개 레이어, 히든 차원 5120
262K 네이티브 컨텍스트 윈도우, 최대 1M 토큰 확장 가능
qwen 3.6 27b vram: FP16 약 55.6GB, 양자화 약 18GB (qwen 3.6 27b gguf)

채팅 시작하기 아키텍처 상세 보기

소프트웨어 엔지니어링

SWE-bench Verified 77.2% - 397B MoE를 이긴 Dense 모델

Qwen 3.6 27B는 SWE-bench Verified에서 77.2%를 달성하여 397B MoE 전작(76.2%)을 능가합니다. Terminal-Bench 2.0 59.3(Claude 4.5 Opus와 동등), LiveCodeBench v6 83.9와 함께 qwen 3.6 27b api를 통해 접근 가능한 완벽한 소프트웨어 엔지니어링 어시스턴트입니다.