Qwen3.8-27B : un nouveau modèle IA puissant pour le code et l’exécution locale
Alibaba publie Qwen3.8-27B, un modèle IA multimodal open weight pensé pour le raisonnement, le code, les agents et l’exécution locale.
Alibaba poursuit le développement de sa famille de modèles d’intelligence artificielle avec Qwen3.8-27B. Disponible depuis le 14 août 2026, ce nouveau modèle cherche à proposer des performances élevées dans un format encore suffisamment compact pour envisager une exécution locale.
Attention à son nom : il s’agit bien de Qwen3.8-27B. Le chiffre 3.8 correspond à la génération du modèle, tandis que 27B indique qu’il possède environ 27 milliards de paramètres.
Les poids sont disponibles sous licence Apache 2.0 sur Hugging Face et ModelScope. Il est donc possible de télécharger le modèle, de l’héberger sur son propre matériel et de l’intégrer dans une application commerciale.
Cette conception demande davantage de ressources qu’un modèle MoE possédant un nombre comparable de paramètres totaux, mais elle peut aussi simplifier son déploiement et offrir un comportement plus régulier.
Qwen présente ce modèle comme une version plus facile à déployer de sa nouvelle génération. Il vise notamment les usages liés au développement, à la recherche, au travail professionnel et aux agents capables d’effectuer plusieurs actions successives.
Il peut ainsi décrire une image, lire un document numérisé, interpréter un schéma technique ou répondre à des questions portant sur une vidéo. En revanche, sa sortie reste textuelle : il ne génère pas directement des images ou des vidéos.
Sa fenêtre de contexte atteint 262 144 tokens nativement. Elle peut être étendue jusqu’à un million de tokens avec certaines méthodes adaptées ou en passant par l’offre hébergée de Qwen.
Une telle capacité peut être utile pour analyser une documentation volumineuse, parcourir un dépôt de code ou travailler sur une longue conversation. Elle demande toutefois beaucoup de mémoire, surtout lorsque le contexte commence réellement à se remplir.
Les développeurs peuvent également régler la profondeur du raisonnement avec le paramètre « reasoning_effort ». Une autre option, appelée « preserve_thinking », permet de conserver le contexte de raisonnement entre plusieurs messages.
Qwen3.8-27B cherche ainsi à dépasser le simple chatbot. Il est conçu pour mieux planifier une tâche, utiliser des outils, tenir compte des résultats obtenus et poursuivre son travail sur plusieurs étapes.
Cette orientation le rend particulièrement intéressant pour les assistants de programmation et les agents chargés d’intervenir sur un dépôt de code.
Les tests prennent notamment en compte le raisonnement, le code, l’utilisation d’outils, les connaissances scientifiques et la capacité à travailler sur un contexte long.
Qwen publie également ses propres résultats. Le modèle obtient notamment un score annoncé de 73 sur Terminal-Bench 2.1 et de 61,7 sur SWE-bench Pro, deux évaluations portant sur des tâches de développement et d’utilisation d’un terminal.
Ces chiffres restent à prendre avec précaution. Les benchmarks donnent une indication générale, mais ne garantissent pas que le modèle sera le meilleur pour chaque langage, chaque projet ou chaque manière de rédiger ses prompts.
Artificial Analysis relève également deux limites : Qwen3.8-27B peut être relativement lent et générer beaucoup de tokens. Cette verbosité peut augmenter le temps de réponse ainsi que le coût lorsqu’il est utilisé depuis une API payante.
Avec une quantification en 4 bits, les fichiers peuvent descendre autour de 16 à 20 Go selon le format et les réglages. Une carte graphique équipée de 24 Go de VRAM constitue donc une base plus confortable, même si l’utilisation partagée entre la mémoire vive et la carte graphique reste possible au prix de performances inférieures.
Des versions quantifiées commencent déjà à être proposées pour llama.cpp, Ollama et LM Studio. Qwen indique également une compatibilité avec Transformers, vLLM, SGLang, MLX et Unsloth.
Son intérêt se trouve entre les deux : proposer un modèle multimodal, performant en programmation et capable de faire fonctionner des agents avancés, tout en restant accessible à une station de travail correctement équipée.
Les poids de Qwen3.8-27B sont disponibles sur Hugging Face. Le projet et les différentes méthodes de déploiement sont présentés sur le dépôt officiel de Qwen3.8. Les résultats indépendants peuvent être consultés sur Artificial Analysis.
← Retour aux posts
Attention à son nom : il s’agit bien de Qwen3.8-27B. Le chiffre 3.8 correspond à la génération du modèle, tandis que 27B indique qu’il possède environ 27 milliards de paramètres.
Les poids sont disponibles sous licence Apache 2.0 sur Hugging Face et ModelScope. Il est donc possible de télécharger le modèle, de l’héberger sur son propre matériel et de l’intégrer dans une application commerciale.
Un modèle dense de 27 milliards de paramètres
Qwen3.8-27B utilise une architecture dense. Contrairement à un modèle reposant sur un système Mixture of Experts, ou MoE, ses 27 milliards de paramètres sont mobilisés pendant l’inférence.Cette conception demande davantage de ressources qu’un modèle MoE possédant un nombre comparable de paramètres totaux, mais elle peut aussi simplifier son déploiement et offrir un comportement plus régulier.
Qwen présente ce modèle comme une version plus facile à déployer de sa nouvelle génération. Il vise notamment les usages liés au développement, à la recherche, au travail professionnel et aux agents capables d’effectuer plusieurs actions successives.
Texte, images et vidéos
Qwen3.8-27B n’est pas seulement un modèle de langage. Il intègre nativement un encodeur visuel capable d’analyser du texte, des images et des vidéos.Il peut ainsi décrire une image, lire un document numérisé, interpréter un schéma technique ou répondre à des questions portant sur une vidéo. En revanche, sa sortie reste textuelle : il ne génère pas directement des images ou des vidéos.
Sa fenêtre de contexte atteint 262 144 tokens nativement. Elle peut être étendue jusqu’à un million de tokens avec certaines méthodes adaptées ou en passant par l’offre hébergée de Qwen.
Une telle capacité peut être utile pour analyser une documentation volumineuse, parcourir un dépôt de code ou travailler sur une longue conversation. Elle demande toutefois beaucoup de mémoire, surtout lorsque le contexte commence réellement à se remplir.
Un modèle orienté raisonnement et agents IA
Le mode de raisonnement est activé par défaut, mais il peut être désactivé pour obtenir des réponses plus rapides sur les requêtes simples.Les développeurs peuvent également régler la profondeur du raisonnement avec le paramètre « reasoning_effort ». Une autre option, appelée « preserve_thinking », permet de conserver le contexte de raisonnement entre plusieurs messages.
Qwen3.8-27B cherche ainsi à dépasser le simple chatbot. Il est conçu pour mieux planifier une tâche, utiliser des outils, tenir compte des résultats obtenus et poursuivre son travail sur plusieurs étapes.
Cette orientation le rend particulièrement intéressant pour les assistants de programmation et les agents chargés d’intervenir sur un dépôt de code.
De bons premiers résultats dans les benchmarks
Au 24 août 2026, Artificial Analysis attribue à Qwen3.8-27B un score de 52 sur son Intelligence Index. Il arrive en tête des modèles open weights de taille comparable évalués sur cette fiche.Les tests prennent notamment en compte le raisonnement, le code, l’utilisation d’outils, les connaissances scientifiques et la capacité à travailler sur un contexte long.
Qwen publie également ses propres résultats. Le modèle obtient notamment un score annoncé de 73 sur Terminal-Bench 2.1 et de 61,7 sur SWE-bench Pro, deux évaluations portant sur des tâches de développement et d’utilisation d’un terminal.
Ces chiffres restent à prendre avec précaution. Les benchmarks donnent une indication générale, mais ne garantissent pas que le modèle sera le meilleur pour chaque langage, chaque projet ou chaque manière de rédiger ses prompts.
Artificial Analysis relève également deux limites : Qwen3.8-27B peut être relativement lent et générer beaucoup de tokens. Cette verbosité peut augmenter le temps de réponse ainsi que le coût lorsqu’il est utilisé depuis une API payante.
Peut-on utiliser Qwen3.8-27B en local ?
Oui, mais le modèle ne s’adresse pas aux configurations les plus modestes. Dans son format complet, il nécessite plusieurs dizaines de gigaoctets de mémoire.Avec une quantification en 4 bits, les fichiers peuvent descendre autour de 16 à 20 Go selon le format et les réglages. Une carte graphique équipée de 24 Go de VRAM constitue donc une base plus confortable, même si l’utilisation partagée entre la mémoire vive et la carte graphique reste possible au prix de performances inférieures.
Des versions quantifiées commencent déjà à être proposées pour llama.cpp, Ollama et LM Studio. Qwen indique également une compatibilité avec Transformers, vLLM, SGLang, MLX et Unsloth.
La quantité de mémoire nécessaire augmente avec la longueur du contexte. Pouvoir charger le modèle ne signifie donc pas forcément pouvoir exploiter sa fenêtre de 262 144 tokens dans de bonnes conditions.
L’exécution locale présente en revanche un avantage important pour la confidentialité. Les documents, images et morceaux de code analysés peuvent rester sur la machine, sans être envoyés vers une plateforme distante.
Un modèle intermédiaire particulièrement intéressant
Qwen3.8-27B ne remplacera pas les petits modèles destinés aux ordinateurs disposant de peu de mémoire. Il ne cherche pas non plus à concurrencer les modèles géants uniquement sur leur puissance brute.Son intérêt se trouve entre les deux : proposer un modèle multimodal, performant en programmation et capable de faire fonctionner des agents avancés, tout en restant accessible à une station de travail correctement équipée.
Les poids de Qwen3.8-27B sont disponibles sur Hugging Face. Le projet et les différentes méthodes de déploiement sont présentés sur le dépôt officiel de Qwen3.8. Les résultats indépendants peuvent être consultés sur Artificial Analysis.