Kann ich Qwen3.8 27B lokal ausführen?

Ja, die Gewichte sind offen und auf Hugging Face unter Qwen/Qwen3.8-27B veröffentlicht, kompatibel mit vLLM, SGLang und Hugging Face Transformers. Mit 27 Milliarden Parametern benötigen Sie erheblichen VRAM; prüfen Sie die verlinkte VRAM-Anleitung vor dem Download.

Was kostet es und wie lang ist der Kontext?

Über die API kostet das Modell 0,04 $ pro Million Eingabetokens und 2,30 $ pro Million Ausgabetokens, mit einem Kontextfenster von einer Million Tokens. Lokales Ausführen verursacht keine Token-Kosten außer Ihrer eigenen Hardware.

Was macht es anders als frühere Qwen-Modelle?

Qwen3.8 gilt als die leistungsfähigste Generation der Qwen-Open-Model-Familie bisher, mit besonderen Verbesserungen bei Agentenausführung, Vision-Sprach-Verstehen inklusive Video und dem neuen flexiblen Denksteuerungssystem, mit dem Sie die Denktiefe pro Anfrage anpassen können.

▲

36.4%

diese Woche

Qwen3.8 27B

8839°

#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 | 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.

Anleitungen zu diesem Modell

Wie man Ollama installiert und eine lokale KI betreibt (Windows, Mac, Linux)

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

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

Wie viel VRAM brauche ich eigentlich für lokale KI?

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

Qwen3.8 27B ist ein offenes, dichtes Vision-Sprach-Modell von Qwen, das Text, Bilder und Video innerhalb eines Kontextfensters von einer Million Tokens verarbeitet. Es liegt in einer praktischen Größenklasse für Self-Hosting und bietet echte Denktiefe, mit standardmäßig aktiviertem Denkmodus, der pro Anfrage einstellbar ist. Es eignet sich für Entwickler und Forscher, die einen fähigen multimodalen Agenten-Runner wollen, den sie selbst betreiben können.

Bekannt für

Flexible Denksteuerung: Aktivieren, Deaktivieren oder Einstellen der Denktiefe pro Anfrage.
Native Bild- und Videoverarbeitung, inklusive Dokumenten und STEM-Diagrammen.
Starke autonome Planung für langfristige, mehrstufige Agentenaufgaben.
Kontext von einer Million Tokens über die gehostete API verfügbar.
Offene Gewichte kompatibel mit vLLM, SGLang und Hugging Face Transformers.

Achte auf

Der native Kontext beträgt 262.144 Tokens; das volle 1M-Fenster erfordert den gehosteten Qwen Cloud Service, nicht Self-Hosting.
Ausgabekosten von 2,30 $ pro Million Tokens über die API summieren sich bei langen agentischen Läufen schnell.
Mit 27 Milliarden Parametern benötigt die lokale Bereitstellung erheblichen VRAM; prüfen Sie Ihre Hardware vor dem Download.

Am besten für

Programmieren

Agenten und Werkzeugnutzung

Logisches Denken

Vision

Lokal ausführbar

Prompts zum Ausprobieren

Fehlerhafte Agentenschleife debuggen

Ich habe einen Python-Agenten, der ein Suchtool aufruft, das Ergebnis parst und entscheidet, ob er erneut aufruft. Nach zwei Iterationen stoppt er immer, auch wenn die Aufgabe nicht fertig ist. Hier ist der Schleifencode: [füge deinen Code ein]. Finde heraus, warum er zu früh abbricht, und schreibe die Schleife so um, dass sie fortfährt, bis die Aufgabe wirklich abgeschlossen ist oder ein hartes Limit von zehn Aufrufen erreicht wird.

Diagramm oder Chart analysieren

Ich hänge ein technisches Diagramm an. Beschreibe, was es zeigt, identifiziere Beziehungen oder Flüsse zwischen Komponenten, markiere alles, was inkonsistent oder ungewöhnlich aussieht, und schlage zwei Fragen vor, die ein Fachexperte dazu stellen sollte.

Mehrstufige Forschungsaufgabe planen

Ich muss den aktuellen Stand der Kommerzialisierung von Festkörperbatterien verstehen: Wer sind die führenden Hersteller, welche technischen Engpässe bestehen noch, und welche Engpässe sind am ehesten gelöst? Erstelle einen Schritt-für-Schritt-Forschungsplan, arbeite jeden Schritt durch und gib am Ende eine prägnante Zusammenfassung.

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 Qwen3.8 27B lokal ausführen?: Ja, die Gewichte sind offen und auf Hugging Face unter Qwen/Qwen3.8-27B veröffentlicht, kompatibel mit vLLM, SGLang und Hugging Face Transformers. Mit 27 Milliarden Parametern benötigen Sie erheblichen VRAM; prüfen Sie die verlinkte VRAM-Anleitung vor dem Download.
Was kostet es und wie lang ist der Kontext?: Über die API kostet das Modell 0,04 $ pro Million Eingabetokens und 2,30 $ pro Million Ausgabetokens, mit einem Kontextfenster von einer Million Tokens. Lokales Ausführen verursacht keine Token-Kosten außer Ihrer eigenen Hardware.
Was macht es anders als frühere Qwen-Modelle?: Qwen3.8 gilt als die leistungsfähigste Generation der Qwen-Open-Model-Familie bisher, mit besonderen Verbesserungen bei Agentenausführung, Vision-Sprach-Verstehen inklusive Video und dem neuen flexiblen Denksteuerungssystem, mit dem Sie die Denktiefe pro Anfrage anpassen können.

Captain's Urteil
Ein ernstzunehmendes multimodales Agentenmodell mit offenen Gewichten in einer Größe, die Sie tatsächlich selbst hosten können, mit einstellbarer Denkintensität.

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

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

Not this creator?

Get your own badge

Beliebtheitstrend von Qwen3.8 27B

Heat-Score seit 14 Aug 2026

Heat-Score

8,839°

Diese Woche

▲

36.4%

8,798° damals, 8,839° jetzt

Diesen Monat

▲

428%

8,619° damals, 8,839° jetzt

Vergangenes Jahr

n/a

Noch nicht veröffentlicht/erfasst

7,000°

Grundwert

Die Skala reicht von 0° bis 9.999°. Alles unterhalb von 7,000° ist für Modelle reserviert, über die noch keine Quelle berichtet hat. Diese tragen dort eine Platzhalterzahl, damit die Listen vollständig bleiben. 7,000° ist der Punkt, an dem gemessene Daten beginnen: Ein Modell mit echten Daten, aber fast keinen Downloads, sitzt auf dem Grundwert, und die Messungen füllen die Grade darüber. Der Grundwert sagt nichts über das Modell aus; nur die Grade darüber tun das und trennen ein Modell vom anderen.

+1,553°

OpenRouter Tokens

1,505,340,752,896 Tokens hat dieses Modell in den letzten 30 Tagen über OpenRouter verarbeitet, Eingaben und Antworten zusammen. Je 10,000,000 Tokens zählen als ein Download im Download-Zeitraum, insgesamt 150,534; die Tokens des letzten Tages fließen in die Adoptionsrate ein. Quelle: OpenRouter (openrouter.ai/rankings).

+286°

Verbreitungsrate

Etwa 6,446 Downloads pro Tag, gemessen zwischen zwei Abfragen der Quellen, nie geschätzt aus einem Durchschnitt über die gesamte Lebenszeit. Die Geschwindigkeit zählt ein Viertel des Download-Werts, sodass ein frischer Anstieg sichtbar wird, ohne dass ein eintägiger Spitzenwert jahrelange Nutzung übertrumpft.

Detaillierte Aufschlüsselung anzeigen

Jede Zahl auf dieser Seite kann überprüft werden. Der Heat-Score dieses Modells beträgt 8,839°, und hier wird er Schritt für Schritt aufgebaut, mit dem laufenden Gesamtwert nach jedem Schritt: der Grundwert, die Grad, die jede Quelle hinzufügt, der Bonus für die Art des Modells und was das Alter seiner Gewichte abzieht. Die Farben entsprechen den Bereichen der obigen Grafik. Das Glossar am Ende erklärt jeden Begriff.

1
Starte beim Grundwert.
Warum 7,000° und nicht null: Die Skala reicht von 0° bis 9.999°, und der Bereich unter 7,000° ist für Modelle reserviert, über die noch keine Quelle berichtet hat. Diese tragen dort eine Platzhalterzahl, damit die Listen vollständig bleiben und niemals über einem Modell mit Daten stehen. 7,000° ist der Punkt, an dem gemessene Daten beginnen. Ein Modell mit echten Daten, aber fast keinen Downloads, sitzt hier; alles, was folgt, ist Messung, und der Bereich über dem Grundwert enthält zehn zehnfache Schritte bei Downloads zu je 300°. Der Grundwert ist für jedes Modell gleich, er entscheidet also nichts; die Grade darüber tun das.
7,000°
laufende Summe
2
Füge die Downloads hinzu.
150,534 Download-Äquivalente insgesamt, von OpenRouter Tokens. Zehnmal die Downloads ergeben denselben 300°, also zählt die Größe, aber sie dominiert die Bewertung nie.
+1,553°
8,553°
laufende Summe
3
Füge die Verbreitungsrate hinzu.
Momentan etwa 6,446 Downloads pro Tag, gemessen zwischen zwei Messungen, mit einem Viertel der Gewichtung.
+286°
8,839°
laufende Summe
=
Der Heat-Score.
Wo dieses Modell auf jeder Liste dieser Seite steht. Nichts anderes beeinflusst ihn.
8,839°

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.

Wie sich die Beliebtheit dieses Modells im Vergleich zum Rest des Katalogs entwickelt hat: sein Wachstum bei Downloads, Likes und Nutzung in jedem Zeitraum, gemessen am typischen Wachstum eines Modells im gleichen Zeitraum, mit dem Heat-Score zu diesem Zeitpunkt. Über dem typischen Wachstum bedeutet ein Anstieg, darunter ein Rückgang. Die Vergangenheit wird aus den heutigen Gesamtzahlen, dem ersten Tag des Modells und seiner gemessenen Download-Geschwindigkeit rekonstruiert, wenn zwei Messungen vorliegen; ein Modell, das zu Beginn eines Zeitraums nicht existierte, zeigt n/a an.

Ähnliche Modelle

Llama 4 Scout 17B 16E Instruct

KI-Modelle für Bild-, Video- und Texterzeugung

Qwen3.8 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 agenten lokal

Nach Modellfamilie stöbern