Mohu spustit Qwen3.5-27B lokálně?

Ano, váhy jsou otevřené a jsou hostovány na Hugging Face pod Qwen/Qwen3.5-27B. Je kompatibilní s Hugging Face Transformers, vLLM, SGLang a KTransformers, mimo jiné.

Kolik stojí Qwen3.5-27B a jak velké má kontextové okno?

Přes API stojí $0,26 za milion vstupních tokenů a $2,60 za milion výstupních tokenů, s nativním kontextem 262 144 tokenů, který výrobce uvádí jako rozšiřitelný nad milion.

Jak se Qwen3.5-27B srovnává s Qwen3.5-122B-A10B?

Qwen popisuje celkovou schopnost jako srovnatelnou s 122B MoE modelem; benchmarky ukazují, že 27B je mírně pozadu v některých úlohách uvažování, ale vede v metrikách dodržování instrukcí jako IFEval.

Qwen3.5 27B

5296°

#llm #qwen #vidění #video #uvažování #programování

Spustit model

Nabídky / Reklamy

OpenRouter Terminál / API

Platba za token

Chatuj s tímto modelem v prohlížeči nebo ho zavolej ze svého kódu s jedním API klíčem.

Qwen | kontext 262 144 tokenů | 0,26 $/M vstup, 2,60 $/M výstup. Nativní model Qwen3.5 27B s viděním a jazykem využívá lineární pozornost, která zajišťuje rychlé reakční časy při vyvážení rychlosti inferencí a výkonu. Jeho celkové schopnosti jsou srovnatelné s modelem Qwen3.5-122B-A10B.

Návody k tomuto modelu

Ollama vs LM Studio (2026): kterou lokální AI aplikaci použít a jaké špičkové modely každá z nich spouští

Kolik VRAM vlastně potřebuji pro lokální AI?

Nejlepší lokální LLM podle použití (říjen 2026): správný otevřený model pro každou práci

Co je soubor GGUF? Vysvětlení kvantovaných modelů (Q4, Q8, fp8, NF4)

Všechny návody

Poznámky kapitána

Napsal Captain, hlavní redaktor

Poznámky z 2026-10-13

Qwen3.5-27B je 27miliardový model pro zpracování jazyka a obrazu od Qwen s hybridní lineární pozorností, která udržuje rychlý průběh inferencí bez výrazné ztráty schopností. Jeho výsledky v benchmarkech se blíží Qwenovu vlastnímu 122miliardovému MoE modelu, což je významný rozdíl, který se podařilo při této velikosti překonat. Hodí se pro vývojáře, kteří chtějí silné schopnosti v oblasti uvažování, kódování a multimodality v modelu, který mohou provozovat lokálně nebo volat levně přes API.

Známý pro

Hybridní lineární pozornost snižuje latenci a přitom dosahuje výkonu srovnatelného s mnohem většími modely na většině benchmarků.
Nativně zpracovává text, obrázky a video díky multimodálnímu tréninku s ranou fúzí.
Silné dodržování instrukcí: vede v porovnání na IFEval a IFBench.
Podpora 201 jazyků a dialektů ihned po vybalení.
Nativní kontext 262 tisíc tokenů, rozšiřitelný na více než milion tokenů.

Dej pozor na

Výstupní tokeny stojí desetkrát více než vstupní ($2,60/M výstup vs $0,26/M vstup); při intenzivní generaci se náklady rychle sčítají.
S 27 miliardami parametrů vyžaduje lokální použití značnou VRAM – před stažením si to dobře rozmyslete.
Architektura lineární pozornosti není standardní; některé inference stacky ji zatím nemusí podporovat.

Nejlepší pro

Promptů k vyzkoušení

Ladění složité asynchronní chyby

Zde je asynchronní Python funkce, která se občas při zátěži zasekne. Projděte, co se děje, vysvětlete hlavní příčinu a přepište ji tak, aby k zablokování nemohlo dojít. Pak přidejte krátký test, který by to odhalil. ```python async def fetch_all(urls): results = [] lock = asyncio.Lock() async def fetch(url): async with lock: async with aiohttp.ClientSession() as session: async with session.get(url) as r: results.append(await r.text()) await asyncio.gather(*[fetch(u) for u in urls]) return results ```

Naplánujte složitý vícekrokový projekt

Potřebuji během 18 měsíců migrovat monolitickou Rails aplikaci (asi 200 tisíc řádků, PostgreSQL, bez testů) na sadu nezávislých služeb, aniž by produkt šel offline. Tým má šest inženýrů. Navrhněte fázový plán, označte tři nejrizikovější rozhodnutí, která mě čekají, a navrhněte jejich pořadí tak, aby riziko bylo zvládnutelné.

Popište a zhodnoťte diagram

Přikládám diagram systémové architektury. Identifikujte všechny zobrazené komponenty, sledujte tok dat od uživatelského požadavku po odpověď a upozorněte na případná jediné body selhání nebo úzká místa. Pokud něco vypadá neobvykle nebo potenciálně špatně nakonfigurované, označte to.

Porovnat s

Qwen3.7 Flash
Model pouze s API
kontext 1,000,000 tokenů · $0.03/M vstup, $0.13/M výstup
Qwen3.8 Max (0902)
Model pouze s API
kontext 1,000,000 tokenů · $2.00/M vstup, $6.00/M výstup
Qwen3.8 Omni Flash
Model pouze s API
kontext 1,000,000 tokenů · $0.15/M vstup, $0.47/M výstup
Qwen3.5 Plus 2026-02-15
Model pouze s API
kontext 1,000,000 tokenů · $0.26/M vstup, $1.56/M výstup

Více textových modelů od qwen

Často kladené otázky

Mohu spustit Qwen3.5-27B lokálně?: Ano, váhy jsou otevřené a jsou hostovány na Hugging Face pod Qwen/Qwen3.5-27B. Je kompatibilní s Hugging Face Transformers, vLLM, SGLang a KTransformers, mimo jiné.
Kolik stojí Qwen3.5-27B a jak velké má kontextové okno?: Přes API stojí $0,26 za milion vstupních tokenů a $2,60 za milion výstupních tokenů, s nativním kontextem 262 144 tokenů, který výrobce uvádí jako rozšiřitelný nad milion.
Jak se Qwen3.5-27B srovnává s Qwen3.5-122B-A10B?: Qwen popisuje celkovou schopnost jako srovnatelnou s 122B MoE modelem; benchmarky ukazují, že 27B je mírně pozadu v některých úlohách uvažování, ale vede v metrikách dodržování instrukcí jako IFEval.

Verdikt kapitána
Vzácný hustý model, který překonává svou váhovou kategorii – stojí za vážné zvážení, pokud potřebujete lokální multimodální uvažování bez obrovských parametrů.

Modelová karta na Hugging Face

Kapitán píše tyto poznámky na základě popisu modelu a modelové karty. Ceny a velikosti kontextu jsou od poskytovatele v době psaní a mohou se změnit.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Jak se toto skóre sčítá

Tento model zatím nemá žádná data o popularitě z žádného zdroje, takže má náhradní číslo pod 7,000°, které udržuje seznamy kompletní. Nikdy se neumístí výš než model s daty. Rozpis se tu objeví, jakmile ho nějaký zdroj nahlásí.

Slovníček: pojmy používané zde

Heat skóre: Jedno číslo, které ukazuje, jak moc se model teď používá a chce, od 0° do 9 999°. Každý seznam na tomto webu, který říká nejžhavější, je podle toho seřazený a nic jiného.
Minimum: 7 000° je základ, od kterého začíná každý model s reálnými daty. Měřítko je od 0° do 9 999°; část pod minimem je vyhrazena pro zástupce (modely bez dat), aby model s daty byl vždy výš než ten bez. Minimum je stejné pro všechny a nic nerozhoduje; stupně nad ním jsou měření.
Ekvivalenty stažení: Všechno, co skóre počítá jako stažení, sečtené: samotná stažení, každý torrent seeder jako 1 000, každý obrázek z AI Horde a každý běh na generujícím webu jako jedno.
Logaritmická škála: Počítá se po desítkách, ne po jednotkách: přechod z 1 000 na 10 000 stažení přidá stejný počet stupňů jako z 10 000 na 100 000. Zabraňuje, aby obři přebili všechno ostatní.
Lajky: Palce nahoru a lajky ze všech zdrojů, každý za polovinu váhy stažení na logaritmické škále.
Rychlost přijetí: Kolik stažení denně model právě teď má, podle rozdílu mezi dvěma odečty zdroje. Čtvrtina váhy oproti termínu stažení.
Měřené a odhadované: Měřené znamená, že existují dva záznamy zdroje a rozdíl je skutečný. Odhadované znamená, že je znám jen dnešní celkový údaj a minulost je rozložena přes životnost modelu; stránka uvádí, který typ zobrazuje.
Seeder: Někdo, kdo drží kopii vah online, aby si ji ostatní mohli stáhnout přes torrent, nebo hostovaný zrcadlový server, který dělá totéž. Každý takový počítá jako 1 000 stažení.
AI Horde: Dobrovolnická síť, která zdarma generuje obrázky na darovaných počítačích. Počet obrázků vytvořených s modelem je veřejný a každý se počítá jako jedno stažení.
Generační stránky: Stránky, které hostují vlastní kopie modelu a umožňují lidem generovat s ním, například PixAI, SeaArt a Yodayo. Jejich stažení se počítají stejně jako u Civitai a každý běh generování jako jedno stažení.
OpenRouter tokeny: Textový model poskytovaný přes API, jako Claude nebo GPT, nemá žádné váhy ke stažení, takže jeho využití se měří tokeny: kusy textu, které přečetl a napsal přes OpenRouter, bránu, kterou používá mnoho aplikací, za posledních 30 dní. Každých 10,000,000 tokenů se počítá jako jedno stažení. Zdroj: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Plný model (checkpoint): Samotné váhy, soubor, který generuje sám o sobě. Má bonus, protože na něm závisí doplňky.
LoRA a embedding: Malé doplňkové soubory, které nasměrují váhy někoho jiného k určitému stylu, postavě nebo konceptu. Samy o sobě nemohou běžet.
Rodina a váhy: Základ, na kterém je model postavený, například SD 1.5, SDXL, Flux nebo Wan. Každý model dědí datum vydání vah své rodiny.
Věk: Stupně odečtené podle toho, jak dávno vyšla váha rodiny: 150° za rok, až do 750°. Staré stažení, která měla roky na nashromáždění, zůstávají nahoře na seznamu.
Boost rodiny: Malý, omezený posun pro LoRA rodiny, kterou tato stránka právě podporuje, vždy uvedený v rozpisu.
Náhradní skóre: Stabilní číslo pod minimem dané modelu, o kterém zatím žádný zdroj nehlásí, aby seznamy zůstaly kompletní. Nikdy není výše než model s daty.
Nové! (ochranná lhůta): Model mladší než 7 dní ukazuje místo skóre Nové! a nezískává místo v žebříčku. Jeho skóre se počítá od prvního dne, ale model starý jeden den roste rychleji než cokoli jiného, takže bez čekání by #1 týdne byl vždy model, který vyšel včera, místo toho, co vydrželo týden.
Trend: Jak růst modelu za určité období odpovídá typickému růstu modelu za stejné období. Rychlejší než obvyklé znamená vzestup, pomalejší pokles.
Typický model: Střed katalogu: polovina modelů s číslem rostla rychleji za dané období, polovina pomaleji.

Podobné modely

Qwen3 235B A22B Instruct 2507

TEXT / LLM

Trinity Large Thinking

TEXT / LLM

granite 4.2 3b

TEXT / LLM

DeepSeek V4 Flash 0731

TEXT / LLM

AI modely pro generování obrázků, videa a textu

Qwen3.5 27B je textový model pro rodinu Text / LLM uvedený na ModelTrends.ai, katalogu open source AI modelů pro obrázky, video a text určeném jen ke čtení. Porovnejte ho s dalšími modely Text / LLM a podívejte se na jeho skóre žhavosti.

Další modely Text / LLM llm qwen vidění video uvažování programování vícejazyčný lokální

Procházet podle rodiny modelů

Modely Text / LLM

434