标签
用户评测显示，Qwen 3.8 27b 在房地产和金融领域的专业资格考试中表现卓越，借助工具和引导式搜索，得分高达98.44%。
Qwen Lab 发布了 Qwen 3.8 27B，与之前的版本如 Qwen 3.6 27B 和其他开源模型相比，有显著提升。作者希望 Qwen 发表论文，以帮助其他实验室开发类似的高质量小型模型。
Unsloth的Daniel Han验证了Qwen3.8-27B仅需17GB显存即可运行，使其能够用于本地推理。
一位开发者构建了一个测试框架，在量化过程中测量每个权重组的 KL 散度，从而生成了 Qwen3.6-27B 的三个定制量化版本（Bedrock、Tightrope、Gambit），实现了优化的压缩。工具调用被确定为量化下最早退化的能力。
DavidAU 发布了 Qwen3.6-27B-Fable-Fusion-711，这是一个对 Qwen 3.6 27B 进行多阶段微调的模型，声称在 ARC-C 基准测试中超过 700 分，超越了基础模型并匹敌闭源模型，提供 GGUF 格式，适用于消费级硬件。
DFlash 是一种方法，可将 Qwen3.6 27B 模型推理速度提升2.2倍，且质量无损失。
用户在 RTX 3090 上测试了三元量化版本的 Qwen3.6 27B，使用两个槽位和 100k KV 缓存，占用 21GB 显存，达到了 60 tk/s 的速度，质量良好且工具调用稳定。
在 RTX 5090 上运行 Qwen3.6 27B，调整 MTP 和缓存设置后达到每秒 6.4k 个 token，展示了推理优化技术。
Prism ML 发布了 Ternary-Bonsai-27B-mlx-2bit，这是一个三元量化的 27B 参数语言模型，在约 7.2 GB 内存下实现了 FP16 性能的约 95%，使笔记本电脑能够进行完整推理。
一条推广Qwen 3.6 27b模型并推荐UnslothAI在任何GPU上运行它的推文。
Hugging Face 仓库 (kaitchup/Qwen3.6-27B-GGUF-MoQ) 提供了 Qwen3.6-27B MoQ 模型的 GGUF 量化权重，支持使用 llama.cpp 和 Ollama 等工具进行本地推理。
GGUF量化版本的Qwopus3.6-27B-Coder-MTP模型已发布在Hugging Face上，针对本地推理进行了优化，兼容Transformers、vLLM、SGLang和Unsloth Studio。
MooreThreads 发布了 MusaCoder-27B，一个拥有 270 亿参数的代码生成模型，并随附 arXiv 论文。
用户分享了对 Qwen3.6 27B 模型的体验，该模型一次性成功生成了一个完整的 HTML5 打砖块游戏，展现了令人印象深刻的连贯性和对细节的关注，超越了典型的 LLM 输出。
Qwen 3.6 27B 在16 GB VRAM上运行快速，得益于'Pure Quant'技术，通过MTP达到40 tokens/s，并支持64k上下文，使得本地AI能在RTX 4060 Ti等消费级GPU上运行。