Kann ich Qwen3.5-27B lokal ausführen?

Ja, die Gewichte sind offen und auf Hugging Face unter Qwen/Qwen3.5-27B verfügbar. Es ist kompatibel mit Hugging Face Transformers, vLLM, SGLang und KTransformers, unter anderem.

Was kostet Qwen3.5-27B und wie groß ist das Kontextfenster?

Per API kostet es 0,26 $ pro Million Eingabetokens und 2,60 $ pro Million Ausgabetokens, mit einem nativen Kontext von 262.144 Tokens, der laut Hersteller auf über eine Million erweitert werden kann.

Wie unterscheidet sich Qwen3.5-27B von Qwen3.5-122B-A10B?

Qwen beschreibt die Gesamtleistung als vergleichbar mit dem 122B MoE-Modell; Benchmarks zeigen, dass das 27B bei einigen Logikaufgaben etwas zurückliegt, aber bei der Befolgung von Anweisungen wie IFEval vorne liegt.

Qwen3.5 27B

5296°

#llm #qwen #vision #video #logik #programmieren

Modell ausführen

Angebote / Werbung

OpenRouter Terminal / API

Bezahlung pro Token

Chatte mit diesem Modell im Browser oder rufe es mit einem API-Schlüssel aus deinem Code auf.

Qwen | 262.144 Token Kontext | $0,26/M Eingabe, $2,60/M Ausgabe. Das Qwen3.5 27B native Vision-Sprache Dense Modell integriert einen linearen Aufmerksamkeitsmechanismus, der schnelle Antwortzeiten bei ausgewogenem Verhältnis von Inferenzgeschwindigkeit und Leistung bietet. Seine Gesamtfähigkeiten sind vergleichbar mit denen des Qwen3.5-122B-A10B.

Anleitungen zu diesem Modell

Ollama vs LM Studio (2026): Welche lokale KI-App soll man nutzen und welche Top-Modelle laufen auf jeder?

Wie viel VRAM brauche ich eigentlich für lokale KI?

Beste lokale LLM nach Anwendungsfall (Oktober 2026): Das richtige offene Modell für jede Aufgabe

Was ist eine GGUF-Datei? Quantisierte Modelle erklärt (Q4, Q8, fp8, NF4)

Alle Anleitungen

Captain's Notizen

Geschrieben von Captain, dem Hausredakteur

Notizen vom 2026-10-13

Qwen3.5-27B ist ein 27-Milliarden-Parameter Vision-Sprachmodell von Qwen mit einer hybriden Linear-Attention-Architektur, die schnelle Inferenz ermöglicht, ohne viel Leistung einzubüßen. Seine Benchmark-Ergebnisse liegen nahe am eigenen 122B MoE-Modell von Qwen, was für diese Größe eine beachtliche Leistung ist. Es eignet sich für Entwickler, die starke Fähigkeiten in Logik, Programmierung und Multimodalität in einem Modell suchen, das sie lokal ausführen oder kostengünstig per API ansprechen können.

Bekannt für

Hybride Linear-Attention reduziert Latenz und erreicht auf den meisten Benchmarks die Leistung deutlich größerer Modelle.
Verarbeitet Text, Bilder und Video nativ durch frühes multimodales Training.
Starke Befolgung von Anweisungen: Führend im Vergleich bei IFEval und IFBench.
Unterstützt 201 Sprachen und Dialekte direkt.
262.000 Tokens nativer Kontext, erweiterbar auf über eine Million Tokens.

Achte auf

Ausgabe-Token kosten das Zehnfache der Eingabe ($2,60/M Ausgabe vs. $0,26/M Eingabe); bei viel Generierung summiert sich das.
Mit 27 Milliarden Parametern erfordert die lokale Nutzung viel VRAM – planen Sie entsprechend vor dem Download.
Die Linear-Attention-Architektur ist unkonventionell; manche Inferenz-Stacks unterstützen sie noch nicht.

Am besten für

Prompts zum Ausprobieren

Async-Bug debuggen

Hier ist eine Python-Async-Funktion, die unter Last gelegentlich in einen Deadlock gerät. Erkläre, was passiert, nenne die Ursache und schreibe sie so um, dass kein Deadlock mehr auftreten kann. Füge dann einen kurzen Test hinzu, der das Problem aufgedeckt hätte. ```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 ```

Komplexes Mehrschritt-Projekt planen

Ich muss eine monolithische Rails-App (ca. 200.000 Zeilen, PostgreSQL, keine Testsuite) innerhalb von 18 Monaten in unabhängige Services überführen, ohne das Produkt offline zu nehmen. Das Team besteht aus sechs Entwicklern. Erstelle einen Phasenplan, nenne die drei risikoreichsten Entscheidungen und schlage eine Reihenfolge vor, um das Risiko zu minimieren.

Diagramm beschreiben und bewerten

Ich hänge ein Systemarchitekturdiagramm an. Identifiziere alle Komponenten, verfolge den Datenfluss von der Nutzeranfrage bis zur Antwort und weise auf Single Points of Failure oder Engpässe hin. Wenn etwas ungewöhnlich oder potenziell falsch konfiguriert aussieht, markiere es.

Vergleichen mit

Qwen3.7 Flash
Nur API-Modell
1,000,000 Token Kontext · $0.03/M Eingabe, $0.13/M Ausgabe
Qwen3.8 Max (0902)
Nur API-Modell
1,000,000 Token Kontext · $2.00/M Eingabe, $6.00/M Ausgabe
Qwen3.8 Omni Flash
Nur API-Modell
1,000,000 Token Kontext · $0.15/M Eingabe, $0.47/M Ausgabe
Qwen3.5 Plus 2026-02-15
Nur API-Modell
1,000,000 Token Kontext · $0.26/M Eingabe, $1.56/M Ausgabe

Mehr Textmodelle von qwen

Häufig gestellte Fragen

Kann ich Qwen3.5-27B lokal ausführen?: Ja, die Gewichte sind offen und auf Hugging Face unter Qwen/Qwen3.5-27B verfügbar. Es ist kompatibel mit Hugging Face Transformers, vLLM, SGLang und KTransformers, unter anderem.
Was kostet Qwen3.5-27B und wie groß ist das Kontextfenster?: Per API kostet es 0,26 $ pro Million Eingabetokens und 2,60 $ pro Million Ausgabetokens, mit einem nativen Kontext von 262.144 Tokens, der laut Hersteller auf über eine Million erweitert werden kann.
Wie unterscheidet sich Qwen3.5-27B von Qwen3.5-122B-A10B?: Qwen beschreibt die Gesamtleistung als vergleichbar mit dem 122B MoE-Modell; Benchmarks zeigen, dass das 27B bei einigen Logikaufgaben etwas zurückliegt, aber bei der Befolgung von Anweisungen wie IFEval vorne liegt.

Captain's Urteil
Ein seltenes kompaktes Modell, das weit über sein Gewicht hinaus Leistung bringt – eine ernsthafte Option, wenn Sie lokale multimodale Logik ohne riesige Parameterzahl brauchen.

Model Card auf Hugging Face

Der Captain schreibt diese Notizen basierend auf der Beschreibung und Model Card des Modells. Preise und Kontextgrößen sind vom Anbieter zum Zeitpunkt der Erstellung und können sich ändern.

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

Wie sich dieser Wert zusammensetzt

Dieses Modell hat noch keine Popularitätsdaten von irgendeiner Quelle, daher trägt es eine Platzhalterzahl unterhalb von 7,000°, damit die Listen vollständig bleiben. Es rangiert niemals über einem Modell mit Daten. Die Aufschlüsselung erscheint hier, sobald eine Quelle sie meldet.

Glossar: die hier verwendeten Begriffe

Heat-Score: Eine Zahl dafür, wie viel ein Modell gerade genutzt und gewollt wird, von 0° bis 9.999°. Jede Liste auf dieser Seite, die „heißeste“ sagt, ist danach sortiert und nach nichts anderem.
Grundwert: Die 7.000°, mit denen jedes Modell mit echten Daten startet. Die Skala reicht von 0° bis 9.999°; der Bereich unter dem Grundwert ist für Platzhalter reserviert (Modelle ohne Daten), damit ein Modell mit Daten immer über einem ohne steht. Der Grundwert ist für alle gleich und entscheidet nichts; die Grade darüber sind die Messung.
Download-Äquivalente: Alles, was der Score als Download zählt, zusammengefasst: Downloads selbst, jeder Torrent-Seeder als 1.000, jedes AI Horde-Bild und jeder Lauf auf einer Generierungsseite als eins.
Logarithmische Skala: Gezählt in Zehnerschritten, nicht einzeln: Der Sprung von 1.000 auf 10.000 Downloads bringt genauso viele Grade wie von 10.000 auf 100.000. So verdrängen Riesen nicht alles andere.
Likes: Daumen hoch und Likes von allen Quellen, jeweils halb so viel wert wie ein Download auf der Log-Skala.
Verbreitungsrate: Wie viele Downloads ein Modell gerade pro Tag bekommt, aus dem Unterschied zwischen zwei Messungen einer Quelle. Ein Viertel der Gewichtung des Download-Begriffs.
Gemessen und geschätzt: Gemessen bedeutet, dass es zwei Messwerte einer Quelle gibt und der Unterschied echt ist. Geschätzt heißt, es ist nur die heutige Gesamtsumme bekannt und die Vergangenheit wird über die Lebensdauer des Modells verteilt; die Seite sagt, welche Variante angezeigt wird.
Seeder: Jemand, der eine Kopie der Gewichte online hält, damit andere sie über einen Torrent herunterladen können, oder ein gehosteter Spiegel, der dasselbe macht. Jeder davon zählt als 1.000 Downloads.
AI Horde: Ein Freiwilligennetzwerk, das kostenlos Bilder auf gespendeten Computern generiert. Die Anzahl der Bilder, die es mit einem Modell erstellt hat, ist öffentlich und jedes zählt als ein Download.
Generierungsseiten: Seiten, die eigene Kopien eines Modells hosten und Leute damit generieren lassen, wie PixAI, SeaArt und Yodayo. Ihre Downloads zählen wie bei Civitai und jeder Generierungslauf als ein Download.
OpenRouter Tokens: Ein Textmodell, das über eine API bereitgestellt wird, wie Claude oder GPT, hat keine Gewichte zum Herunterladen, daher wird seine Nutzung in Tokens gemessen: die Textstücke, die es über OpenRouter gelesen und geschrieben hat, einem Gateway, das viele Apps nutzen, in den letzten 30 Tagen. Je 10,000,000 Tokens zählen als ein Download. Quelle: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Vollständiges Modell (Checkpoint): Die Gewichte selbst, die Datei, die eigenständig generiert. Sie bekommt einen Bonus, weil Add-ons davon abhängen.
LoRA und Embedding: Kleine Zusatzdateien, die die Gewichte von jemand anderem in Richtung eines Stils, Charakters oder Konzepts lenken. Sie können nicht alleine laufen.
Familie und Gewichte: Die Basis, auf der ein Modell aufgebaut ist, wie SD 1.5, SDXL, Flux oder Wan. Jedes Modell erbt das Veröffentlichungsdatum der Gewichte seiner Familie.
Alter: Abzüge je nachdem, wie lange die Gewichte der Familie schon draußen sind: 150° pro Jahr, bis zu 750°. Alte Downloads, die Jahre zum Ansammeln hatten, bleiben oben in der Liste eingefroren.
Familien-Boost: Ein kleiner, begrenzter Schub für LoRAs einer Familie, die diese Seite gerade vorantreibt, immer in der Aufschlüsselung aufgeführt.
Stand-in-Wert: Eine stabile Zahl unter der Mindestgrenze, die einem Modell gegeben wird, über das noch keine Quelle berichtet hat, damit die Listen vollständig bleiben. Sie rangiert nie über einem Modell mit Daten.
Neu! (Schonfrist): Ein Modell, das weniger als 7 Tage alt ist, zeigt Neu! statt einer Punktzahl und nimmt keinen Platz in den Rankings ein. Seine Punktzahl wird ab dem ersten Tag berechnet, aber ein Modell, das einen Tag alt ist, wächst schneller als alles andere, daher wäre ohne die Wartezeit das #1 Modell der Woche immer das, das gestern herauskam, statt das, das sich eine Woche gehalten hat.
Trend: Wie das Wachstum eines Modells über einen Zeitraum im Vergleich zum typischen Wachstum eines Modells im gleichen Zeitraum ist. Schneller als üblich bedeutet Anstieg, langsamer bedeutet Rückgang.
Typisches Modell: Die Mitte des Katalogs: Die Hälfte der Modelle mit einer Zahl wuchs schneller im Zeitraum, die andere Hälfte langsamer.

Ähnliche Modelle

Mistral Nemo Instruct 2407

TEXT / LLM

Claude Opus 4.7

TEXT / LLM

KI-Modelle für Bild-, Video- und Texterzeugung

Qwen3.5 27B ist ein Textmodell für die Familie Text / LLM und wird auf ModelTrends.ai gelistet, einem reinen Lesekatalog für Open-Source-KI-Modelle für Bild, Video und Text. Vergleiche es mit anderen Text / LLM-Modellen und prüfe den Hitzewert, um den Trend zu sehen.

Weitere Text / LLM-Modelle llm qwen vision video logik programmieren mehrsprachig lokal

Nach Modellfamilie stöbern