Text & Reasoning
Qwen3.8 2.4T-A95B
Qwen3.8 2.4T-A95B ist ein Text & Reasoning-Modell von Alibaba / Qwen. Eingabe: Text. Ausgabe: Text.
Text & ReasoningQwen3.6-27B
Qwen3.6-27B ist ein Sprachmodell von Alibaba / Qwen. Offenes 27B-Modell mit Vision-Encoder. Die offizielle Karte nennt 262.144 Tokens nativen Kontext und eine Erweiterung bis rund 1,01M.
Wie kannst du es nutzen?
Wenn du lokal arbeiten möchtest, prüfe zuerst Lizenz, passende Laufzeit und den Speicherbedarf deiner Modellvariante. Offene Gewichte allein sagen noch nicht, ob dein Rechner dafür ausreicht.
Weiterhin dokumentiert · vorherige GenerationQuellenstand 2026-10-12
Alibaba / Qwen im Verzeichnis
EingabeText, Bild-Eingabe
AusgabeText
Kontext262.144 Tokens
Technische Daten
Identität, Funktionen und Betrieb getrennt lesen. Die Angaben beziehen sich auf diese konkrete Version.
„Nicht bestätigt“ kennzeichnet eine offene Angabe. Es bedeutet weder „nicht vorhanden“ noch „unbegrenzt“.
| Hersteller | Alibaba / Qwen |
|---|---|
| Modellfamilie | Qwen |
| Modell-/API-ID | Qwen/Qwen3.6-27B |
| Status | Weiterhin dokumentiert · vorherige Generation |
| Modellart | Text & Reasoning |
|---|---|
| Eingabe | Text, Bild-Eingabe |
| Ausgabe | Text |
| Kontext | 262.144 Tokens |
|---|---|
| Maximaler Output / Horizont | Nicht bestätigt |
| Bereitstellung | Offene Gewichte; lokal oder über Inferenzanbieter |
|---|---|
| Gewichte | Offene Gewichte dokumentiert |
| Lizenz | Apache 2.0 laut Modellkarte |
Daten im Überblick
Die Grafik zeigt die im Profil dokumentierten Grenzen. Kontext und maximale Ausgabe sind keine addierbaren Budgets und keine Qualitätsbewertung. Zusätzliche Bedingungen stehen im Datenblatt.
- Kontext
- 262.144 Tokens
- Maximaler Output / Horizont
- Nicht bestätigt
Datenbasis: Herstellerangaben im Quellenstand 2026-10-12. Quellen zu diesem Profil ↓
Einsatz und Grenzen
Wähle eine kleine Aufgabe mit einer überprüfbaren Lösung: etwa fünf Informationen aus einem gegebenen Dokument extrahieren. Prüfe die Antworten am Original, nicht nur die Formulierung.
Vor einem lokalen Test zuerst Gewichteformat, Lizenz, Arbeitsspeicher und unterstützte Runtime prüfen. Notiere die genaue Modellversion. Ein Kurzname in der API kann später auf einen anderen Modellstand verweisen. Der Auswahlguide für lokale KI-Modelle vertieft die Prüfung von Aufgabe, Gewichteformat, Speicher und Lizenz vor einem eigenen Versuch.
Lokaler Betrieb: Verfügbare Gewichte allein belegen nicht, dass dieses Modell auf deinem Rechner läuft. Speicherbedarf, Quantisierung, Kontext und unterstützte Hardware müssen zusammenpassen.
Leistung: Wir haben die Leistung dieses Modells hier nicht selbst gemessen. Nutze die Aufgabe unten, um es an deinen Anforderungen zu prüfen.
Was kostet Qwen3.6-27B?
Bestätigter Tarif / PreisangabeKein bestätigter Einheitspreis im geprüften Quellenstand
Gewichte verursachen keine Tokengebühr; Hosting- und Hardwarekosten hängen vom Ausführungsweg ab.
Zugang: Offene Gewichte; lokal oder über Inferenzanbieter. Prüfe vor einer Integration die für dein Konto und deine Region verfügbaren Endpunkte. Ein Eintrag im öffentlichen Katalog ist keine Bestätigung eines freigeschalteten Kontos.
Praxis: Eine erste Aufgabe lokal testen
Praxisergänzung geprüft am 21. Oktober 2026 · eigene Aufgabe, kein Modellbenchmark
Ein heruntergeladener Gewichteordner ist noch kein laufender Chat. Vor dem ersten sinnvollen Test müssen Modellvariante, Laufzeit und nutzbarer Speicher zusammenpassen. Beginne mit einer kurzen Eingabe und einem kontrollierbaren Ergebnis. So kannst du einen Verbindungs- oder Startfehler von einer inhaltlich falschen Antwort trennen, bevor lange Dokumente hinzukommen.
Vorbereitung
Die offizielle Modellkarte führt Qwen/Qwen3.6-27B und mehrere kompatible Serving-Wege auf. Nutze die Anleitung für genau deine Laufzeit; ein fremdes Ollama-Tag oder eine bestimmte Quantisierung wird dadurch nicht automatisch bestätigt. Die Parameterzahl ist keine Zusage, dass das vollständige Modell auf deinem Rechner passt. Zusätzlicher Kontext benötigt ebenfalls Ressourcen.
Prüfe die Modellkarte und die aktuelle Anleitung deiner gewählten Runtime; notiere Version, Quantisierung und Modellpfad.
Starte zunächst eine kurze Textanfrage. Wenn der Dienst gar nicht antwortet, prüfe Startprotokoll und Verbindung vor Änderungen am Prompt.
Nutze danach die kleine Extraktionsaufgabe und erhöhe erst nach erfolgreicher Gegenprobe den Eingabeumfang.
Aufgabe zum Kopieren
Die Angaben sind fiktiv. Speichere den geforderten JSON-Teil der Antwort separat als antwort.json; zusätzliche Erklärungen gehören in eine andere Datei.
Kurze lokale Textprobe mit fiktiven Angaben:
Inventar K-1: Tastatur, Anzahl 2.
Inventar K-2: Maus, Anzahl 0.
Inventar K-3: Bildschirm, Anzahl nicht genannt.
Gib JSON mit bestand aus. Sortiere nach id. Jeder Eintrag enthält id, geraet und anzahl. Erhalte die Null und verwende null für eine fehlende Anzahl. Keine Informationen aus anderen Quellen ergänzen.Vorlage herunterladenLokalen JSON-Prüfer herunterladen
Lösung und Prüfkriterien ansehen
- Die kurze Anfrage erreicht tatsächlich den gewählten lokalen Dienst.
- Die Nullmenge der Maus und die unbekannte Bildschirmmenge bleiben verschieden.
- Ein erfolgreicher Kurztest sagt noch nichts über große Kontextfenster oder dauerhafte Last aus.
{
"bestand": [
{
"id": "K-1",
"geraet": "Tastatur",
"anzahl": 2
},
{
"id": "K-2",
"geraet": "Maus",
"anzahl": 0
},
{
"id": "K-3",
"geraet": "Bildschirm",
"anzahl": null
}
]
}Das Soll ist redaktionell aus der Vorlage abgeleitet, keine aufgezeichnete Modellantwort. Der lokale Prüfer vergleicht die festgelegten Felder und führt keinen generierten Code oder API-Aufruf aus. Er bewertet keine freien Begründungen.
Speichere Prüfer und deine Antwort im selben Ordner. Mit installiertem Python: python pruefen.py antwort.json.
| Beobachtung | Was du prüfst |
|---|---|
| Dienst startet nicht | Versionen und Startlog prüfen; ein besserer Prompt löst kein Laufzeitproblem. |
| Speicherfehler bei längerer Eingabe | Gewichte, Quantisierung und Kontextbudget gemeinsam betrachten. |
| Cloud-Endpunkt statt lokalem Dienst | Den tatsächlichen Zielhost der Anwendung prüfen; offene Gewichte bedeuten nicht automatisch lokalen Datenfluss. |
Passende Anleitungen
Wenn du dich bewusst für diesen Betriebsweg entscheidest, hilft dir einen lokalen KI-Dienst in Docker einrichten beim Prüfen von Speicher, GPU und Datenhaltung; die konkrete Modellverfügbarkeit bleibt separat zu prüfen.
Bei langen Eingaben kannst du Kontext und Ressourcen getrennt prüfen und die tatsächlich verwendete Einstellung deiner Runtime nachvollziehen.
Gezielte Praxisergänzung auf Basis aktueller Herstellerunterlagen. Der Datenstand der bisherigen Modell-Faktentabellen bleibt separat ausgewiesen. Neue Beispiele und Grafiken sind eigene Erklärungen; es wurden keine Modellantworten oder Leistungswerte gemessen.
Herstellerunterlagen zur Ergänzung: Qwen3.6-27B (Abruf 2026-10-21) · Quickstart - Qwen (Abruf 2026-10-21).
Quellen und Prüfstand
Quellenstand: 2026-10-12. Spezifikationen, Tarife und Zugang können sich ändern. Die Illustration zeigt den dokumentierten Datenweg, keine gemessene Leistung.
Häufige Fragen
Was ist Qwen3.6-27B?
Offenes 27B-Modell mit Vision-Encoder. Die offizielle Karte nennt 262.144 Tokens nativen Kontext und eine Erweiterung bis rund 1,01M. Hersteller: Alibaba / Qwen. Dokumentierte ID: Qwen/Qwen3.6-27B.
Was verarbeitet Qwen3.6-27B?
Eingabe: Text, Bild-Eingabe. Ausgabe: Text. Maßgeblich sind die Funktionen des konkreten Endpunkts in der Herstellerquelle.
Kannst du Qwen3.6-27B lokal betreiben?
Offene Gewichte sind dokumentiert. Die Lizenz Apache 2.0 laut Modellkarte, unterstützte Runtime und benötigte Hardware musst du zusätzlich prüfen.
Was kostet Qwen3.6-27B?
Kein bestätigter Einheitspreis im geprüften Quellenstand. Gewichte verursachen keine Tokengebühr; Hosting- und Hardwarekosten hängen vom Ausführungsweg ab. Bei selbst betriebenen Gewichten kommen Hardware- und Betriebskosten hinzu.
Ist das ein Leistungstest oder eine Rangliste?
Nein. Das Profil dokumentiert Herstellerangaben mit Quellenstand 2026-10-12. Die Testidee ist redaktionell formuliert und wurde hier nicht ausgeführt; sie ist keine Qualitätsgarantie.
Wie groß ist das Kontextfenster von Qwen3.6-27B?
Im dokumentierten Quellenstand: 262.144 Tokens. Bestandsprofil vom 12.10.2026; bei neuer Einrichtung auch die aktuelle Qwen3.8-/Muse-Generation prüfen. Kontext ist keine Wortzahl und kein Nachweis, dass jede enthaltene Information zuverlässig verarbeitet wird.
Wie prüfst du Qwen3.6-27B für deine Aufgabe?
Lege eine kleine Aufgabe mit bekanntem oder nachprüfbarem Ergebnis fest. Notiere Version, Eingabe und Einstellungen. Vergleiche die Ausgabe mit deinem Prüfkriterium und halte Fehler sowie tatsächliche Kosten getrennt fest. Die Testidee auf dieser Seite ist ein Vorschlag und wurde hier nicht als Modelltest ausgeführt.
Gibt es für Qwen3.6-27B einen garantierten RAM-Wert?
Für jede Quantisierung, Laufzeit und Kontextgröße gilt ein anderer Bedarf. Die Parameterzahl allein liefert keine verlässliche RAM- oder VRAM-Zusage für deinen Rechner.
Bestätigt diese Anleitung ein bestimmtes Ollama-Tag?
Nein. Sie bezieht sich auf das offizielle Qwen-Repository. Prüfe verfügbare Tags und Modellvarianten in der Dokumentation der tatsächlich genutzten Runtime.
Warum zuerst eine so kurze Qwen-Aufgabe?
Damit du die Erreichbarkeit des Dienstes und ein kleines bekanntes Ergebnis getrennt prüfen kannst. Große Kontexte und produktive Last brauchen eigene Versuche.
Weitere Alibaba / Qwen-Modelle
Alle anzeigen →Text & Reasoning
Qwen3.8 27B
Qwen3.8 27B ist ein Text & Reasoning-Modell von Alibaba / Qwen. Eingabe: Text, Bild, Video. Ausgabe: Text.
Text & Reasoning
Qwen3.8 Flash
Im Alibaba-Cloud-Katalog empfohlenes Qwen-Modell für Textaufgaben und Tool-Aufrufe. Regionale Verfügbarkeit und Tarife unterscheiden sich.