Qwen 3.6 27B
27 miljard parameters, dense architectuur - overtreft zijn 397B MoE-voorganger
Qwen 3.6 27B is een dense model gebouwd op de Hybrid Gated DeltaNet-architectuur met 64 lagen en 262K native context. Het scoort 77.2% op SWE-bench Verified en overtreft daarmee de 397B MoE Qwen 3 met 76.2%, terwijl het past in ~55.6GB VRAM bij FP16 of ~18GB met kwantisatie.
Modelvarianten
Dense architectuur, maximale kwaliteit per parameter
Qwen 3.6 27B levert frontier-klasse prestaties in een dense 27B-formaat. Kies de instruction-tuned variant voor chat en agentische taken, of het basismodel voor fine-tuning.
Hybrid Gated DeltaNet-architectuur
27B dense parameters, 64 lagen, hidden dimension 5120
Qwen 3.6 27B gebruikt een Hybrid Gated DeltaNet-ontwerp dat lineaire aandacht-efficiëntie combineert met gated recurrence. Het 262K native contextvenster is uitbreidbaar tot 1M tokens, ideaal voor lange-documentanalyse en complexe agentische workflows.
Met qwen 3.6 27b vram-vereisten van ~55.6GB bij FP16 of ~18GB gekwantiseerd draait dit model op een enkele high-end GPU of twee consumenten-GPU's met het qwen 3.6 27b gguf-formaat.
Instruction-tuned
27B Instruct
Geoptimaliseerd voor conversationele AI, programmeren en complexe agentische taken
Gefinetuned voor instructieopvolging, multi-turn dialoog en toolgebruik via de qwen 3.6 27b api
Voorgetraind
27B Base
Basis dense model voor fine-tuning en gespecialiseerde toepassingen
Voorgetraind op diverse data met Hybrid Gated DeltaNet-architectuur voor maximale kwaliteit
Mogelijkheden
Dense krachtpatser die boven zijn gewichtsklasse presteert
Qwen 3.6 27B combineert de Hybrid Gated DeltaNet-architectuur met 262K context om prestaties te leveren die modellen 14x zo groot overtreffen op real-world programmeerbenchmarks.
Elite software engineering
77.2% op SWE-bench Verified - beter dan de 397B MoE Qwen 3 (76.2%). De qwen 3.6 27b benchmark-resultaten bewijzen dat dense architecturen frontier-schaal modellen kunnen evenaren bij real-world programmeren.
Terminalbeheersing
59.3 op Terminal-Bench 2.0, gelijk aan Claude 4.5 Opus. Verwerkt complexe meerstaps terminal-workflows, debugsessies en systeembeheertaken met expertise op professioneel niveau.
Geavanceerd redeneren
94.1% op AIME 2026 wiskunde en 86.2 op MMLU-Pro kennisredeneren. Stap-voor-stap denkmodus maakt transparante probleemoplossing mogelijk in wiskunde, logica en wetenschap.
262K tot 1M context
262K native contextvenster uitbreidbaar tot 1M tokens. Verwerk hele codebases, lange onderzoekspapers en multi-turn gesprekken zonder coherentieverlies.
Competitief programmeren
83.9 op LiveCodeBench v6 voor competitief programmeren. Blinkt uit in algoritmische probleemoplossing, codegeneratie en complexe debugtaken.
Praktische vaardigheden
48.2 op SkillsBench, beter dan Claude 4.5 Opus (45.3). Toont superieur vermogen om complexe instructies op te volgen en meerstaps real-world taken uit te voeren.
Belangrijkste highlights
Uitzonderlijke qwen 3.6 27b benchmark-resultaten
Qwen 3.6 27B behaalt frontier-klasse resultaten op programmeer-, redeneer- en agentische benchmarks terwijl het efficiënte dense inferentie behoudt.
Topprestaties
- SWE-bench Verified: 77.2% - verslaat 397B MoE-voorganger (76.2%)
- Terminal-Bench 2.0: 59.3 - evenaart Claude 4.5 Opus
- SkillsBench: 48.2 - verslaat Claude 4.5 Opus (45.3)
- AIME 2026: 94.1% wiskunde
- LiveCodeBench v6: 83.9 competitief programmeren
Technische specificaties
- 27B dense parameters, 64 lagen, hidden dimension 5120
- Hybrid Gated DeltaNet-architectuur
- 262K native context, uitbreidbaar tot 1M tokens
- qwen 3.6 27b vram: ~55.6GB FP16, ~18GB gekwantiseerd
- Beschikbaar in qwen 3.6 27b gguf-formaat voor lokale deployment
Prestaties
Dense 27B die 397B MoE overtreft op real-world programmeren
Qwen 3.6 27B scoort 77.2% op SWE-bench Verified en 94.1% op AIME 2026, wat bewijst dat een goed ontworpen dense model modellen die vele malen groter zijn kan evenaren of overtreffen.
De qwen 3.6 27b benchmark-suite toont consistente excellentie in software engineering, terminalbewerkingen, wiskunde en competitief programmeren - vergelijkbaar met of beter dan modellen met 10x+ meer parameters.
SWE-bench Verified: 77.2% - overtreft 397B MoE Qwen 3 (76.2%)
Terminal-Bench 2.0: 59.3 - evenaart Claude 4.5 Opus
SkillsBench: 48.2 - verslaat Claude 4.5 Opus met 45.3
AIME 2026: 94.1% op geavanceerde wiskunde
MMLU-Pro: 86.2 over diverse kennisdomeinen
Benchmarkvergelijking
Qwen 3.6 27B vs frontier-modellen
Qwen 3.6 27B levert frontier-klasse prestaties op software engineering, terminalbewerkingen, redeneer- en programmeerbenchmarks. Resultaten beschikbaar via de qwen 3.6 27b api.
| Benchmark | Qwen 3.6 27B Dense Uitgelicht | Qwen 3 235B A22B MoE | Claude 4.5 Opus Eigen model | Qwen 3.6 35B A3B MoE |
|---|---|---|---|---|
SWE-bench Verified Real-world software engineering | 77.2% | 76.2% | - | 73.4% |
Terminal-Bench 2.0 Terminalbewerkingen | 59.3 | - | 59.3 | 51.5 |
SkillsBench Real-world taakuitvoering | 48.2 | - | 45.3 | - |
AIME 2026 Wiskunde No tools | 94.1% | - | - | 92.7% |
LiveCodeBench v6 Competitief programmeren | 83.9 | - | - | 80.4 |
MMLU-Pro Kennis en redeneren | 86.2 | - | - | - |
Benchmarkresultaten van de officiële Qwen 3.6 modelkaart en HuggingFace-evaluaties.
Hybrid Gated DeltaNet
Een nieuwe architectuur die dense model-efficiëntie herdefinieert
De Hybrid Gated DeltaNet-architectuur combineert lineaire aandacht met gated recurrence over 64 lagen en een hidden dimension van 5120. Dit ontwerp maakt 262K native context uitbreidbaar tot 1M tokens mogelijk, terwijl de inferentie-eenvoud van een dense model behouden blijft.
- 64 lagen met hidden dimension 5120 voor diep representatieleren
- 262K native contextvenster, uitbreidbaar tot 1M tokens
- qwen 3.6 27b vram: ~55.6GB FP16, ~18GB met kwantisatie (qwen 3.6 27b gguf)
Software Engineering
77.2% SWE-bench Verified - het dense model dat een 397B MoE versloeg
Qwen 3.6 27B behaalt 77.2% op SWE-bench Verified en overtreft daarmee zijn 397B MoE-voorganger met 76.2%. Gecombineerd met 59.3 op Terminal-Bench 2.0 (gelijk aan Claude 4.5 Opus) en 83.9 op LiveCodeBench v6 is het een complete software engineering-assistent, toegankelijk via de qwen 3.6 27b api.
- 77.2% SWE-bench Verified - real-world GitHub issue-oplossing
- 59.3 Terminal-Bench 2.0 - terminalbewerkingen op expertniveau
- 83.9 LiveCodeBench v6 - excellentie in competitief programmeren
Aan de slag
Probeer Qwen 3.6 27B nu
Begin direct met chatten via de qwen 3.6 27b api, of download gewichten voor zelf-gehoste deployment.
Lokale deployment
Draai Qwen 3.6 27B op je hardware
Deploy lokaal met qwen 3.6 27b gguf gekwantiseerde gewichten. Draait op consumentenhardware met ~18GB VRAM.
Qwen-ecosysteem
Onderdeel van de Qwen 3.6 modelfamilie
Qwen 3.6 27B maakt deel uit van Alibaba's nieuwste modelfamilie, met dense en MoE-varianten, uitgebreide community-ondersteuning en brede framework-compatibiliteit.
Aan de slag
Klaar om te bouwen met Qwen 3.6 27B?
Begin direct gratis met chatten, of download qwen3.6-27b gewichten voor zelf-gehoste deployment op je eigen infrastructuur.