Qwen3.6‑27B 开源发布:27B 稠密模型,实现旗舰级智能体编码能力

2026年4月22日,通义千问团队正式开源Qwen3.6‑27B------一款270亿参数稠密多模态大模型,在主流智能体编码基准上全面超越上代开源旗舰Qwen3.5‑397B‑A17B,兼顾顶级性能与轻量化部署,成为开发者的理想选择。

一、核心定位:小参数,大能力

Qwen3.6‑27B是稠密架构 开源模型,无MoE路由复杂度,部署简单、显存友好,同时保持原生多模态思考/非思考双模式,在27B主流规模上做到旗舰级编码与推理表现。

核心亮点:

  • 智能体编码性能登顶,全面超越上代397B MoE旗舰
  • 文本+多模态 reasoning 强劲,媲美数倍参数模型
  • 稠密架构易部署,适配广泛落地场景
  • 全开源权重,支持自部署、API调用、多平台体验

二、性能炸裂:编码能力全面领跑

Qwen3.6‑27B在所有核心编码基准上实现突破,以27B参数超越更大规模模型,数据如下:

基准 Qwen3.6‑27B Qwen3.5‑397B‑A17B 亮点
SWE‑bench Verified 77.2 76.2 真实工程任务领先
Terminal‑Bench 2.0 59.3 52.5 终端编码大幅提升
SkillsBench (Avg5) 48.2 30.0 编码技能断层领先
SWE‑bench Multilingual 71.3 69.3 多语种编码更强
QwenWebBench (Elo) 1487 1186 前端生成接近顶级闭源

知识与推理上同样出色:

  • GPQA Diamond 87.8、C‑Eval 91.4、MMLU‑Redux 93.5
  • 数学竞赛AIME26达94.1,奥数级推理能力突出

三、原生多模态:图文视频全链路理解

作为统一多模态模型,Qwen3.6‑27B支持图像、视频、文档联合理解,双模式无缝切换,在多模态基准表现优异:

  • MMMU 82.9、RealWorldQA 84.1、VideoMME 87.7
  • 文档OCR、空间理解、视觉智能体、安卓交互等场景全面增强
  • 单Checkpoint兼顾思考与非思考,推理更灵活

四、开箱即用:部署与生态全覆盖

Qwen3.6‑27B提供全链路接入方案,从体验到生产一步到位:

  1. 在线体验:Qwen Studio直接交互
  2. 开源权重:Hugging Face、ModelScope下载
  3. API服务:阿里云Model Studio即将上线,兼容OpenAI/Anthropic协议
  4. 编码助手:无缝对接OpenClaw、Claude Code、Qwen Code,终端编码更高效

团队提供完整API示例与配置文件,支持enable_thinking/preserve_thinking,智能体任务效果更佳。

五、稠密模型新标杆

Qwen3.6‑27B证明:精良训练的稠密模型,可在实用规模上超越超大参数前辈。它以27B亲民体量,带来旗舰编码、强推理、原生多模态与极简部署,补齐Qwen3.6开源家族版图,为开发者、企业与研究者提供高性价比、易落地的新一代基座大模型。

Modelscope地址:https://modelscope.cn/models/Qwen/Qwen3.6-27B

更多详细内容可参考:https://qwen.ai/blog?id=qwen3.6-27b

相关推荐
CCC:CarCrazeCurator2 小时前
【DriveGen 文件详解】04——evaluate.py
人工智能·自动驾驶·transformer
大江东去浪淘尽千古风流人物2 小时前
【KV-Tracker】Transformer 实时位姿跟踪:KV-Cache 加速多视图几何网络达 27FPS
网络·深度学习·transformer·slam·位姿估计·kv-cache
zhangfeng11333 小时前
DNN Transformer SNN 这几个模型的对比和应用场景 前景
人工智能·transformer·dnn
韦胖漫谈IT6 小时前
Transformer:一篇论文如何改变 AI 世界
人工智能·深度学习·transformer
qcx2318 小时前
【系统学AI】25 论文导读 ①:两篇改变 AI 的开山之作——Attention Is All You Need & ReAct
前端·人工智能·react.js·transformer
CanCanCanedFish1 天前
Transformer论文阅读笔记:从注意力机制到革命性架构的启示
论文阅读·笔记·transformer
hengsf1234561 天前
Transformer初探
人工智能·深度学习·transformer
AndrewHZ1 天前
【LLM技术全景】Transformer架构深度解析:Encoder-Decoder全理解
人工智能·深度学习·语言模型·大模型·llm·transformer·编解码技术
allein_STR1 天前
【Transformer拆解】-4. 残差连接(Residual Connection)与层归一化(LayerNorm)
人工智能·深度学习·transformer