Bolehkah saya jalankan Qwen3.5-27B secara tempatan?

Ya, berat model adalah terbuka dan dihoskan di Hugging Face di Qwen/Qwen3.5-27B. Ia serasi dengan Hugging Face Transformers, vLLM, SGLang, dan KTransformers, antara lain.

Berapa kos Qwen3.5-27B dan berapa panjang konteksnya?

Melalui API, harganya $0.26 per juta token input dan $2.60 per juta token output, dengan konteks asli 262,144 token yang menurut pembuat boleh diperluas melebihi satu juta.

Bagaimana perbandingan Qwen3.5-27B dengan Qwen3.5-122B-A10B?

Qwen menggambarkan keupayaan keseluruhan setanding dengan model MoE 122B; penanda aras menunjukkan 27B sedikit ketinggalan dalam beberapa tugasan penalaran tetapi mendahului dalam metrik kepatuhan arahan seperti IFEval.

Qwen3.5 27B

5296°

#llm #qwen #penglihatan #video #penalaran #pengaturcaraan

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

Qwen | konteks token 262,144 | $0.26/M input, $2.60/M output. Model Dense visi-bahasa asli Qwen3.5 27B menggabungkan mekanisme perhatian linear, memberikan masa respons pantas sambil mengimbangi kelajuan inferens dan prestasi. Keupayaan keseluruhannya setanding dengan Qwen3.5-122B-A10B.

Panduan untuk model ini

Ollama vs LM Studio (2026): aplikasi AI tempatan mana yang patut digunakan, dan model teratas yang dijalankan oleh setiap satu

Berapa banyak VRAM yang saya perlukan untuk AI tempatan?

LLM tempatan terbaik mengikut kegunaan (Oktober 2026): model terbuka yang sesuai untuk setiap kerja

Apakah fail GGUF? Model kuantisasi diterangkan (Q4, Q8, fp8, NF4)

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

Qwen3.5-27B adalah model bahasa-penglihatan dengan 27 bilion parameter dari Qwen dengan seni bina perhatian linear hibrid yang mengekalkan inferens yang pantas tanpa mengorbankan banyak keupayaan. Skor penanda arasnya hampir setanding dengan model MoE 122B milik Qwen sendiri, yang merupakan jurang ketara untuk ditutup pada saiz ini. Ia sesuai untuk pembangun yang mahukan kebolehan penalaran, pengkodan, dan multimodal yang kuat dalam model yang boleh dijalankan secara tempatan atau dipanggil dengan kos rendah melalui API.

Dikenali untuk

Perhatian linear hibrid mengurangkan kelewatan sambil menandingi model yang jauh lebih besar pada kebanyakan penanda aras.
Mengendalikan teks, imej, dan video secara asli melalui latihan multimodal fusi awal.
Kepatuhan arahan yang kuat: mendahului set perbandingan pada IFEval dan IFBench.
Menyokong 201 bahasa dan dialek secara terbina dalam.
Konteks asli 262K, boleh diperluas melebihi satu juta token.

Berhati-hati dengan

Token output berharga sepuluh kali ganda kadar input ($2.60/M output berbanding $0.26/M input); penjanaan berat boleh menjadi mahal.
Dengan 27B parameter, penggunaan tempatan memerlukan VRAM yang besar — rancang dengan sewajarnya sebelum memuat turun.
Seni bina perhatian linear adalah tidak standard; sesetengah tumpukan inferens mungkin belum menyokongnya.

Terbaik untuk

Jalankan secara tempatan

Arahan untuk cuba

Selesaikan pepijat async yang rumit

Berikut adalah fungsi async Python yang kadang-kadang mengalami deadlock di bawah beban. Terangkan apa yang sedang berlaku, jelaskan punca utama, dan tulis semula supaya deadlock tidak boleh berlaku. Kemudian tambah ujian ringkas yang boleh mengesan masalah ini. ```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 ```

Rancang projek berbilang langkah yang kompleks

Saya perlu memindahkan aplikasi Rails monolitik (kira-kira 200k baris, PostgreSQL, tiada suite ujian) ke set perkhidmatan bebas dalam masa 18 bulan tanpa menghentikan produk. Pasukan terdiri daripada enam jurutera. Susun pelan berperingkat, tandakan tiga keputusan berisiko tertinggi yang akan saya hadapi, dan cadangkan bagaimana menyusun langkah-langkah tersebut untuk mengawal risiko.

Huraikan dan kritik rajah

Saya melampirkan rajah seni bina sistem. Kenal pasti setiap komponen yang ditunjukkan, jejak aliran data dari permintaan pengguna ke respons, dan tunjukkan sebarang titik kegagalan tunggal atau kesesakan yang anda lihat. Jika ada yang kelihatan luar biasa atau berpotensi salah konfigurasi, tandakan.

Bandingkan dengan

Qwen3.7 Flash
Model hanya API
konteks 1,000,000 token · Input $0.03/M, output $0.13/M
Qwen3.8 Max (0902)
Model hanya API
konteks 1,000,000 token · Input $2.00/M, output $6.00/M
Qwen3.8 Omni Flash
Model hanya API
konteks 1,000,000 token · Input $0.15/M, output $0.47/M
Qwen3.5 Plus 2026-02-15
Model hanya API
konteks 1,000,000 token · Input $0.26/M, output $1.56/M

Lebih banyak model teks dari qwen

Soalan yang sering ditanya

Bolehkah saya jalankan Qwen3.5-27B secara tempatan?: Ya, berat model adalah terbuka dan dihoskan di Hugging Face di Qwen/Qwen3.5-27B. Ia serasi dengan Hugging Face Transformers, vLLM, SGLang, dan KTransformers, antara lain.
Berapa kos Qwen3.5-27B dan berapa panjang konteksnya?: Melalui API, harganya $0.26 per juta token input dan $2.60 per juta token output, dengan konteks asli 262,144 token yang menurut pembuat boleh diperluas melebihi satu juta.
Bagaimana perbandingan Qwen3.5-27B dengan Qwen3.5-122B-A10B?: Qwen menggambarkan keupayaan keseluruhan setanding dengan model MoE 122B; penanda aras menunjukkan 27B sedikit ketinggalan dalam beberapa tugasan penalaran tetapi mendahului dalam metrik kepatuhan arahan seperti IFEval.

Keputusan Kapten
Model padat yang jarang ditemui dengan prestasi melebihi kelas beratnya — sangat berbaloi dipertimbangkan jika anda memerlukan penalaran multimodal tempatan tanpa bil parameter yang besar.

Kad model di Hugging Face

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh berubah.

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

Bagaimana skor ini dijumlahkan

Model ini belum ada data populariti dari mana-mana sumber lagi, jadi ia membawa nombor gantian di bawah 7,000° yang memastikan senarai lengkap. Ia tidak pernah menduduki tempat lebih tinggi daripada model yang ada data. Pecahan muncul di sini sebaik sahaja sumber melaporkannya.

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Model serupa

Model AI untuk penjanaan imej, video dan teks

Qwen3.5 27B ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm qwen penglihatan video penalaran pengaturcaraan banyak bahasa tempatan

Layari mengikut keluarga model