Qwen 3.8 27B dogania gigantów, ale spala na to ekstremalną moc obliczeniową

Model Qwen 3.8 27B osiągnął wynik 52 w rankingu Artificial Analysis Intelligence Index. To taki sam wynik jak duży model GPT-5.6 Luna i zaledwie jeden punkt mniej niż GLM-5.2 z 753 miliardami parametrów. Jak na model o wielkości zaledwie 27 miliardów parametrów, to wyjątkowy wynik.

Koniec polegania wyłącznie na parametrach

Te liczby zmieniają sposób, w jaki programiści oceniają siłę modeli. Dotychczas obowiązywała zasada, że jakość odpowiedzi zależy wprost proporcjonalnie od objętości danych zapisanych w parametrach sieci neuronowej.

Wnioskowanie jako substytut gigantycznego mózgu

Qwen nie osiąga takich wyników dlatego, że jest w głębi duszy cudownie inteligentniejszy od konkurencji. Wykorzystuje tryb wnioskowania, co w trakcie testu spowodowało wygenerowanie 160 milionów tokenów (mediana dla porównywalnych modeli to 43 miliony). Model przed udzieleniem odpowiedzi długo i dokładnie myśli.

Prędkość i tokeny komplikują użycie na lokalnym sprzęcie

Choć Qwen na papierze wygląda jak idealny kandydat do uruchamiania lokalnie, jego tryb wnioskowania generuje absurdalnie długie łańcuchy myślowe. Mały rozmiar cieszy właścicieli mniejszych kart graficznych, ale szybkość dostarczenia ostatecznej odpowiedzi mocno na tym cierpi.

Zadecyduje rzeczywista użyteczność w kodzie

Czysty wynik w testach to jedno, ale prawdziwa wartość ujawni się w użyteczności jako agent programistyczny. Jeśli model podczas pisania skryptu spędzi pięć minut na generowaniu przemyśleń, a następnie utknie w pętli, jego papierowe zwycięstwo w benchmarku przepadnie.

Werdykt Lilith

Czytanie benchmarków to dziś za mało. Qwen udowodnił, że nawet mały model może dotrzeć na szczyt tabeli, jeśli da się mu nieograniczony czas na zastanawianie się nad każdym szczegółem.