Puis-je exécuter Qwen3.8 27B localement ?

Oui, les poids sont ouverts et publiés sur Hugging Face à Qwen/Qwen3.8-27B, compatibles avec vLLM, SGLang et Hugging Face Transformers. Avec 27 milliards de paramètres, vous aurez besoin d’une VRAM importante ; consultez le guide VRAM lié ci-dessous avant de télécharger.

Quel est le coût et la taille du contexte ?

Via API, le modèle coûte 0,04 $ par million de tokens en entrée et 2,30 $ par million en sortie, avec une fenêtre de contexte d’un million de tokens. L’exécution locale n’a pas de coût par token au-delà de votre propre matériel.

Qu’est-ce qui différencie ce modèle des versions Qwen précédentes ?

Qwen3.8 est décrit comme la génération la plus performante de la famille Qwen open-model à ce jour, avec des améliorations particulières à l’exécution agentique, à la compréhension vision-langage incluant la vidéo, et au nouveau système de contrôle flexible de la réflexion qui permet de régler la profondeur de raisonnement à la demande.

▲

36.4%

cette semaine

Qwen3.8 27B

8839°

#llm #qwen #vision #vidéo #raisonnement #programmation

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Qwen | 1,000,000 token context | $0.24/M input, $2.20/M output. Qwen3.8 27B is an open-weight dense vision-language model from Qwen. It is suited for coding, professional workflows, research, multimodal interaction, and long-running agent tasks, with flexible thinking that can be enabled or disabled.

Guides pour ce modèle

Comment installer Ollama et faire tourner une IA locale (Windows, Mac, Linux)

Ollama vs LM Studio (2026) : quelle application d’IA locale choisir, et quels modèles top chacun fait tourner

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Qwen3.8 27B est un modèle dense vision-langage à poids ouverts de Qwen, gérant texte, images et vidéo dans une fenêtre de contexte qui s’étend jusqu’à un million de tokens. Il se situe dans une taille pratique pour l’auto-hébergement tout en offrant une profondeur de raisonnement réelle, avec un mode réflexion activé par défaut et réglable à la demande. Il convient aux développeurs et chercheurs qui veulent un exécuteur d’agent multimodal capable qu’ils peuvent déployer eux-mêmes.

Connu pour

Contrôle flexible de la réflexion : activer, désactiver ou régler la profondeur de raisonnement à la demande.
Compréhension native d’images et vidéos, y compris documents et diagrammes STEM.
Planification autonome forte pour des tâches agentiques multi-étapes à long horizon.
Fenêtre de contexte d’un million de tokens disponible via l’API hébergée.
Poids ouverts compatibles avec vLLM, SGLang et Hugging Face Transformers.

Attention à

Le contexte natif est de 262 144 tokens ; la fenêtre complète d’1M nécessite le service Qwen Cloud hébergé, pas l’auto-hébergement.
Le coût de sortie est de 2,30 $ par million de tokens via API, ce qui monte vite sur de longues exécutions agentiques.
Avec 27 milliards de paramètres, le déploiement local nécessite une VRAM conséquente ; vérifiez votre matériel avant de télécharger.

Idéal pour

Programmation

Agents et utilisation d'outils

Raisonnement

Vision

Fonctionne localement

Prompts à essayer

Déboguer une boucle d’agent défaillante

J’ai un agent Python qui appelle un outil de recherche, analyse le résultat, et décide s’il doit rappeler. Après deux itérations, il s’arrête toujours, même si la tâche n’est pas finie. Voici le code de la boucle : [collez votre code]. Identifiez pourquoi il sort trop tôt et réécrivez la boucle pour qu’elle continue jusqu’à ce que la tâche soit vraiment terminée ou qu’une limite dure de dix appels soit atteinte.

Analyser un diagramme ou graphique

Je joins un diagramme technique. Décrivez ce qu’il montre, identifiez les relations ou flux entre composants, signalez tout ce qui semble incohérent ou inhabituel, et suggérez deux questions qu’un expert du domaine devrait poser à son sujet.

Planifier une tâche de recherche multi-étapes

Je dois comprendre l’état actuel de la commercialisation des batteries à électrolyte solide : qui sont les principaux fabricants, quels sont les principaux goulots techniques, et lesquels sont les plus proches d’être résolus. Décomposez cela en un plan de recherche étape par étape, puis exécutez chaque étape et donnez-moi une synthèse concise à la fin.

Comparer avec

Qwen3.7 Flash
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $0.03/M, sortie $0.13/M
Qwen3.8 Max (0902)
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $2.00/M, sortie $6.00/M
Qwen3.8 Omni Flash
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $0.15/M, sortie $0.47/M
Qwen3.5 Plus 2026-02-15
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $0.26/M, sortie $1.56/M

Plus de modèles de texte de qwen

Questions fréquentes

Puis-je exécuter Qwen3.8 27B localement ?: Oui, les poids sont ouverts et publiés sur Hugging Face à Qwen/Qwen3.8-27B, compatibles avec vLLM, SGLang et Hugging Face Transformers. Avec 27 milliards de paramètres, vous aurez besoin d’une VRAM importante ; consultez le guide VRAM lié ci-dessous avant de télécharger.
Quel est le coût et la taille du contexte ?: Via API, le modèle coûte 0,04 $ par million de tokens en entrée et 2,30 $ par million en sortie, avec une fenêtre de contexte d’un million de tokens. L’exécution locale n’a pas de coût par token au-delà de votre propre matériel.
Qu’est-ce qui différencie ce modèle des versions Qwen précédentes ?: Qwen3.8 est décrit comme la génération la plus performante de la famille Qwen open-model à ce jour, avec des améliorations particulières à l’exécution agentique, à la compréhension vision-langage incluant la vidéo, et au nouveau système de contrôle flexible de la réflexion qui permet de régler la profondeur de raisonnement à la demande.

Verdict du capitaine
Un modèle agent multimodal sérieux à poids ouverts, dans une taille que vous pouvez réellement héberger, avec une réflexion que vous pouvez moduler.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

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

Also ranked: #44 Hottest Text / LLM model · #44 Hottest Text / LLM text model

Not this creator?

Get your own badge

Tendance de popularité de Qwen3.8 27B

Score de chaleur depuis 14 Aug 2026

Score de popularité

8,839°

Cette semaine

▲

36.4%

8,798° alors, 8,839° maintenant

Ce mois-ci

▲

428%

8,619° alors, 8,839° maintenant

L'année passée

n/a

Pas encore publié/suivi

7,000°

Plancher

L’échelle va de 0° à 9 999°. Tout ce qui est en dessous de 7,000° est réservé aux modèles dont aucune source ne rapporte encore de données, ils portent un nombre de remplacement pour que les listes restent complètes. 7,000° est le point où les données mesurées commencent : un modèle avec de vraies données mais presque aucun téléchargement est au plancher, et les mesures remplissent les degrés au-dessus. Le plancher ne dit rien sur le modèle ; seuls les degrés au-dessus le font, et ce sont eux qui différencient un modèle d’un autre.

+1,553°

Tokens OpenRouter

1,505,340,752,896 tokens traités par ce modèle via OpenRouter au cours des 30 derniers jours, prompts et réponses confondus. Chaque 10,000,000 tokens compte comme un téléchargement dans le terme de téléchargement, 150,534 au total ; les tokens du dernier jour s'ajoutent au taux d'adoption. Source : OpenRouter (openrouter.ai/rankings).

+286°

Taux d’adoption

Environ 6,446 téléchargements par jour, mesurés entre deux relevés des sources, jamais estimés à partir d’une moyenne sur la durée. La vitesse compte pour un quart du terme téléchargement, donc une poussée récente apparaît sans qu’un pic d’un jour dépasse des années d’usage.

Afficher le détail

Chaque chiffre sur ce site peut être vérifié. Le score de popularité de ce modèle est de 8,839°, et voici comment il est construit, ingrédient par ingrédient, avec le total cumulé après chaque étape : le plancher, les degrés ajoutés par chaque source, le bonus pour le type de modèle et ce que l’âge de ses poids enlève. Les couleurs correspondent aux bandes du graphique ci-dessus. Le glossaire à la fin définit chaque terme.

1
Commence au plancher.
Pourquoi 7,000° et pas zéro : l’échelle va de 0° à 9 999°, et la partie en dessous de 7,000° est réservée aux modèles dont aucune source ne rapporte encore de données, qui portent un nombre de remplacement pour que les listes restent complètes et ne dépassent jamais un modèle avec données. 7,000° est le point où les données mesurées commencent. Un modèle avec de vraies données mais presque aucun téléchargement est ici ; tout ce qui suit est une mesure, et l’espace au-dessus du plancher contient dix paliers de dix fois plus de téléchargements à 300° chacun. Le plancher est le même pour tous les modèles, donc il ne décide rien ; ce sont les degrés au-dessus qui le font.
7,000°
total en cours
2
Ajoute les téléchargements.
150,534 équivalents de téléchargement au total, venant de Tokens OpenRouter. Multiplier les téléchargements par dix ajoute le même 300°, donc la taille compte mais ne domine jamais le score.
+1,553°
8,553°
total en cours
3
Ajoute le taux d’adoption.
Environ 6,446 téléchargements par jour en ce moment, mesurés entre deux relevés, à un quart du poids.
+286°
8,839°
total en cours
=
Le score de chaleur.
La place de ce modèle dans chaque liste de ce site. Rien d’autre ne le modifie.
8,839°

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Voici comment la popularité de ce modèle a évolué par rapport au reste du catalogue : sa croissance en téléchargements, likes et utilisation à chaque période, comparée à la croissance typique des modèles sur la même période, avec son score de chaleur à ce moment-là. Au-dessus de la croissance typique, c’est une hausse, en dessous, une baisse. Le passé est reconstitué à partir des totaux d’aujourd’hui, du premier jour du modèle et de sa vitesse de téléchargement mesurée quand il y a deux relevés ; un modèle qui n’existait pas au début d’une période affiche n/a.

Modèles similaires

Modèles d'IA pour générer image, vidéo et texte

Qwen3.8 27B est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm qwen vision vidéo raisonnement programmation agents local

Parcourir par famille de modèles