Qwen: Qwen3.6 27B

Note: > To repozytorium zawiera wagi modelu i pliki konfiguracyjne dla modelu po treningu w formacie Hugging Face Transformers. > > Te artefakty są kompatybilne z Hugging Face Transformers, vLLM, SGLang, KTransformers itp. Po lutowej premierze serii Qwen3.5 z przyjemnością dzielimy się pierwszym wariantem Qwen3.6 z otwartymi wagami. Zbudowany na podstawie bezpośrednich opinii społeczności, Qwen3.6 stawia na stabilność i praktyczną użyteczność, oferując programistom bardziej intuicyjne, responsywne i naprawdę produktywne doświadczenie kodowania. To wydanie dostarcza znaczących ulepszeń, szczególnie w:

• Agentowe kodowanie: model teraz płynniej i precyzyjniej obsługuje przepływy pracy frontendu i wnioskowanie na poziomie repozytorium.
• Zachowanie myślenia: wprowadziliśmy nową opcję zachowania kontekstu rozumowania z historycznych wiadomości, usprawniając rozwój iteracyjny i redukując narzut. Aby uzyskać więcej szczegółów, zapoznaj się z naszym wpisem na blogu Qwen3.6-27B.
• Typ: Przyczynowy model językowy z enkoderem wizyjnym
• Etap treningu: Pre-trening i post-trening – Model językowy
• Liczba parametrów: 27B – Wymiar ukryty: 5120 – Osadzanie tokenów: 248320 (uzupełnione)
• Liczba warstw: 64 – Układ ukryty: 16 × (3 × (Gated DeltaNet → FFN) → 1 × (Gated Attention → FFN)) – Gated DeltaNet:
• Liczba głów uwagi liniowej: 48 dla V i 16 dla QK – Wymiar głowy: 128 – Gated Attention:
• Liczba głów uwagi: 24 dla Q i 4 dla KV – Wymiar głowy: 256 – Wymiar osadzania pozycji obrotowej: 64 – Sieć feed-forward:
• Wymiar pośredni: 17408 – Wyjście LM: 248320 (uzupełnione) – MTP: trenowany z wieloma krokami
• Długość kontekstu: 262 144 natywnie i rozszerzalna do 1 010 000 tokenów. Qwen3.5-27BQwen3.5-397B-A17BGemma4-31BClaude 4.5 OpusQwen3.6-35B-A3BQwen3.6-27B Coding Agent SWE-bench Verified 75.0 76.2 52.0 80.9 73.4 77.2 SWE-bench Pro 51.2 50.9 35.7 57.1 49.5 53.5 SWE-bench Multilingual 69.3 69.3 51.7 77.5 67.2 71.3 Terminal-Bench 2.0 41.6 52.5 42.9 59.3 51.5 59.3 SkillsBench Avg5 27.2 30.0 23.6 45.3 28.7 48.2 QwenWebBench 1068 1186 1197 1536 1397 1487 NL2Repo 27.3 32.2 15.5 43.2 29.4 36.2 Claw-Eval Avg 64.3 70.7 48.5 76.6 68.7 72.4 Claw-Eval Pass^3 46.2 48.1 25.0 59.6 50.0 60.6 QwenClawBench 52.2 51.8 41.7 52.3 52.6 53.4 Knowledge MMLU-Pro 86.1 87.8 85.2 89.5 85.2 86.2 MMLU-Redux 93.2 94.9 93.7 95.6 93.3 93.5 SuperGPQA 65.6 70.4 65.7 70.6 64.7 66.0 C-Eval 90.5 93.0 82.6 92.2 90.0 91.4 STEM & Reasoning GPQA Diamond 85.5 88.4 84.3 87.0 86.0 87.8 HLE 24.3 28.7 19.5 30.8 21.4 24.0 LiveCodeBench v6 80.7 83.6 80.0 84.8 80.4 83.9 HMMT Feb 25 92.0 94.8 88.7 92.9 90.7 93.8 HMMT Nov 25 89.8 92.7 87.5 93.3 89.1 90.7 HMMT Feb 26 84.3 87.9 77.2 85.3 83.6 84.3 IMOAnswerBench 79.9 80.9 74.5 84.0 78.9 80.8 AIME26 92.6 93.3 89.2 95.1 92.7 94.1 SWE-Bench Series: Wewnętrzny szkielet agenta (narzędzia bash + file-edit); temp=1.0, topp=0.95, okno kontekstu 200K. Poprawiamy niektóre problematyczne zadania w publicznym zestawie SWE-bench Pro i oceniamy wszystkie linie bazowe na ulepszonym benchmarku. Terminal-Bench 2.0: Uprząż Harbor/Terminus-2; limit czasu 3h, 32 CPU/48 GB RAM; temp=1.0, topp=0.95, topk=20, maxtokens=80K, 256K ctx; średnia z 5 uruchomień. SkillsBench: Oceniane przez OpenCode na 78 zadaniach (samodzielny podzbiór, z wyłączeniem zadań zależnych od API); średnia z 5 uruchomień. NL2Repo: Inne oceniane przez Claude Code (temp=1.0, topp=0.95, maxturns=900). QwenClawBench: Benchmark agenta Claw oparty na rzeczywistej dystrybucji użytkowników; temp=0.6, 256K ctx. QwenWebBench: Wewnętrzny benchmark generowania kodu front-end; dwujęzyczny (EN/CN), 7 kategorii (Web Design, Web Apps, Games, SVG, Data Visualization, Animation i 3D); auto-render + multimodalny sędzia (poprawność kodu/wizualna); system oceny BT/Elo. * AIME 26: Używamy pełnego AIME 2026 (I i II), gdzie wyniki mogą różnić się od notatek Qwen 3.5.