Kan jag köra Qwen3.8 27B lokalt?

Ja, vikterna är öppna och publicerade på Hugging Face under Qwen/Qwen3.8-27B, kompatibla med vLLM, SGLang och Hugging Face Transformers. Med 27 miljarder parametrar behöver du betydande VRAM; kontrollera VRAM-guiden nedan innan nedladdning.

Vad kostar den och hur stort är kontexten?

Via API kostar modellen 0,04 USD per miljon inmatningstokens och 2,30 USD per miljon utmatningstokens, med ett kontextfönster på en miljon tokens. Lokal körning har ingen per-token-kostnad utöver din egen hårdvara.

Vad skiljer denna från tidigare Qwen-modeller?

Qwen3.8 beskrivs som den mest kapabla generationen i Qwen-familjen av öppna modeller hittills, med särskilda förbättringar i agentutförande, vision-språkförståelse inklusive video, och det nya flexibla tänkandekontrollsystemet som låter dig justera resonansdjup per förfrågan.

▲

36.4%

den här veckan

Qwen3.8 27B

8839°

#llm #qwen #vision #video #resonemang #kodning

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

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.

Guider för denna modell

Hur man installerar Ollama och kör en lokal AI (Windows, Mac, Linux)

Ollama vs LM Studio (2026): vilken lokal AI-app du ska använda och vilka toppmodeller varje kör

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Qwen3.8 27B är en öppen viktad, tät vision-språkmodell från Qwen som hanterar text, bilder och video inom ett kontextfönster som sträcker sig till en miljon tokens. Den ligger i en praktisk storleksklass för självhosting samtidigt som den har genuin resonansdjup, med tänkande-läge på som standard och justerbart per förfrågan. Den passar utvecklare och forskare som vill ha en kapabel multimodal agent som de faktiskt kan driftsätta själva.

Känd för

Flexibel kontroll av tänkande: aktivera, inaktivera eller justera resonansdjup per förfrågan.
Nativ bild- och videoförståelse, inklusive dokument och STEM-diagram.
Stark autonom planering för långsiktiga, flerstegs agentuppgifter.
En-miljon-token kontext tillgänglig via hostad API.
Öppna vikter kompatibla med vLLM, SGLang och Hugging Face Transformers.

Se upp för

Nativt kontext är 262 144 tokens; hela 1M-fönstret kräver hostad Qwen Cloud-tjänst, inte självhosting.
Utmatning kostar 2,30 USD per miljon tokens via API, vilket snabbt kan bli dyrt vid långa agentiska körningar.
Med 27 miljarder parametrar kräver lokal drift betydande VRAM; kontrollera din hårdvara innan nedladdning.

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Syn

Kör lokalt

Promptar att prova

Felsök en felande agentloop

Jag har en Python-agent som anropar ett sökverktyg, parser resultatet och avgör om den ska anropa igen. Efter två iterationer slutar den alltid, även när uppgiften inte är klar. Här är loopkoden: [klistra in din kod]. Identifiera varför den avslutas för tidigt och skriv om loopen så att den fortsätter tills uppgiften verkligen är klar eller en hård gräns på tio anrop nås.

Analysera ett diagram eller diagram

Jag bifogar ett tekniskt diagram. Beskriv vad det visar, identifiera relationer eller flöden mellan komponenter, markera allt som verkar inkonsekvent eller ovanligt, och föreslå två frågor en ämnesexpert bör ställa om det.

Planera en flerstegs forskningsuppgift

Jag behöver förstå nuläget för kommersialisering av solid-state-batterier: vilka de ledande tillverkarna är, vilka huvudtekniska flaskhalsar som kvarstår och vilka flaskhalsar som är närmast att lösas. Bryt ner detta i en steg-för-steg forskningsplan, arbeta igenom varje steg och ge mig en koncis syntes i slutet.

Jämför med

Qwen3.7 Flash
Endast API-modell
1,000,000 tokens kontext · $0.03/M indata, $0.13/M utdata
Qwen3.8 Max (0902)
Endast API-modell
1,000,000 tokens kontext · $2.00/M indata, $6.00/M utdata
Qwen3.8 Omni Flash
Endast API-modell
1,000,000 tokens kontext · $0.15/M indata, $0.47/M utdata
Qwen3.5 Plus 2026-02-15
Endast API-modell
1,000,000 tokens kontext · $0.26/M indata, $1.56/M utdata

Fler textmodeller från qwen

Vanliga frågor

Kan jag köra Qwen3.8 27B lokalt?: Ja, vikterna är öppna och publicerade på Hugging Face under Qwen/Qwen3.8-27B, kompatibla med vLLM, SGLang och Hugging Face Transformers. Med 27 miljarder parametrar behöver du betydande VRAM; kontrollera VRAM-guiden nedan innan nedladdning.
Vad kostar den och hur stort är kontexten?: Via API kostar modellen 0,04 USD per miljon inmatningstokens och 2,30 USD per miljon utmatningstokens, med ett kontextfönster på en miljon tokens. Lokal körning har ingen per-token-kostnad utöver din egen hårdvara.
Vad skiljer denna från tidigare Qwen-modeller?: Qwen3.8 beskrivs som den mest kapabla generationen i Qwen-familjen av öppna modeller hittills, med särskilda förbättringar i agentutförande, vision-språkförståelse inklusive video, och det nya flexibla tänkandekontrollsystemet som låter dig justera resonansdjup per förfrågan.

Kaptens omdöme
En seriös multimodal agentmodell med öppna vikter i en storlek du faktiskt kan hosta, med tänkande som du kan justera upp eller ner.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Popularitetstrend för Qwen3.8 27B

Värmenpoäng sedan 14 Aug 2026

Värmescore

8,839°

Den här veckan

▲

36.4%

8,798° då, 8,839° nu

Den här månaden

▲

428%

8,619° då, 8,839° nu

Senaste året

n/a

Inte släppt/spårad än

7,000°

Golvet

Skalan går från 0° till 9 999°. Allt under 7,000° är reserverat för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta. 7,000° är där mätta data börjar: en modell med riktiga data men nästan inga nedladdningar ligger på golvet, och mätningarna fyller graderna ovanför. Golvet säger inget om modellen; det gör bara graderna ovanför, och det är de som skiljer en modell från en annan.

+1,553°

OpenRouter-token

1,505,340,752,896 token som denna modell bearbetat via OpenRouter de senaste 30 dagarna, både prompts och svar. Varje 10,000,000 token räknas som en nedladdning i nedladdningsterm, totalt 150,534; token från senaste dagen räknas in i användningstakten. Källa: OpenRouter (openrouter.ai/rankings).

+286°

Adoptionshastighet

Ungefär 6,446 nedladdningar per dag, mätt mellan två avläsningar av källorna, aldrig uppskattat från ett livstidsgenomsnitt. Hastigheten väger en fjärdedel av nedladdningstermen, så en ny våg syns utan att en dags toppar slår ut år av användning.

Visa detaljerad uppdelning

Varje siffra på den här sidan kan kontrolleras. Den här modellens heat-poäng är 8,839°, och här byggs den upp en ingrediens i taget, med löpande total efter varje: golvet, graderna varje källa lägger till, bonusen för modelltypen och vad vikternas ålder drar bort. Färgerna är banden i diagrammet ovan. Ordlistan i slutet förklarar varje term.

1
Börja vid golvet.
Varför 7,000° och inte noll: skalan går från 0° till 9 999°, och delen under 7,000° är reserverad för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta och aldrig rankas högre än en modell med data. 7,000° är där mätta data börjar. En modell med riktiga data men nästan inga nedladdningar ligger här; allt som följer är mätning, och utrymmet ovanför golvet rymmer tio tiofaldiga steg i nedladdningar på 300° vardera. Golvet är detsamma för varje modell, så det avgör inget; det gör graderna ovanför.
7,000°
löpande total
2
Lägg till nedladdningarna.
150,534 nedladdnings-ekvivalenter totalt, från OpenRouter-token. Tio gånger nedladdningarna ger samma 300°, så storlek spelar roll men tar aldrig över poängen.
+1,553°
8,553°
löpande total
3
Lägg till adoptionshastigheten.
Ungefär 6,446 nedladdningar per dag just nu, mätt mellan två mätningar, med en fjärdedels vikt.
+286°
8,839°
löpande total
=
Heat-poängen.
Var den här modellen står på varje lista på den här sidan. Ingenting annat ändrar den.
8,839°

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Hur den här modellens popularitet har rört sig jämfört med resten av katalogen: dess tillväxt i nedladdningar, gillningar och användning under varje period, mätt mot en typisk modells tillväxt under samma period, med dess heat-poäng vid den tiden. Över den typiska tillväxten ses som en uppgång, under som en nedgång. Det förflutna rekonstrueras från dagens totalsummor, modellens första dag och dess uppmätta nedladdningshastighet där två mätningar finns; en modell som inte fanns i början av en period visar n/a.

Liknande modeller

AI-modeller för bild-, video- och textgenerering

Qwen3.8 27B är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm qwen vision video resonemang kodning agenter lokal

Bläddra efter modellfamilj