Online-Tutorial | Qwen 3.8-27B: Wichtige Open-Source-Version Mit Verbesserten Funktionen Für Logisches Denken, Programmierung Und Agenten

Nach so langer Wartezeit hat die Qwen-Serie endlich ihren großen Auftritt hingelegt –Qwen3.8-27B ist jetzt Open Source und verfügbar!

Mit 27 Milliarden Parametern setzt es nicht mehr auf den alten Ansatz „Je mehr Parameter, desto besser“, sondern verbessert seine Inferenz-, Programmier- und Agentenfähigkeiten umfassend. In mehreren offiziellen Evaluierungen hat es begonnen, führende proprietäre Modelle wie Claude direkt herauszufordern.

Dieses Modell basiert auf der Qwen3.5-Architektur und wurde optimiert und verbessert.Mit einem Umfang von 27 Milliarden Parametern erweitert es umfassend die Möglichkeiten der Codeentwicklung, professioneller Aufgaben, wissenschaftlicher Forschungsanalysen und intelligenter Agentenaufgaben mit langen Zyklen.Was Programmierkenntnisse angeht,Qwen3.8-27B erreichte eine Punktzahl von 72,4 auf SWE-bench Verified und 80,7 auf LiveCodeBench v6.Es demonstriert ausgefeilte Programmierfähigkeiten, die denen größerer Modelle nahekommen. Darüber hinaus unterstützt es als natives visuelles Sprachmodell das Verständnis von Bildern und Videos und kann multimodale Aufgaben wie wissenschaftliche Diagramme, Dokumentenanalyse und die Analyse von Langvideos bewältigen.Es erzielte eine Punktzahl von 88,9 bei OmniDocBench 1.5 und 87,0 bei VideoMME.

Was die Fähigkeiten intelligenter Agenten betrifft,Qwen3.8-27B verbessert die Fähigkeiten der autonomen Planung, der Werkzeugnutzung und des Feedbacks aus der Umgebung.Es kann Aufgaben in komplexe Zielsetzungen unterteilen und diese kontinuierlich ausführen. Bei der AgentenbewertungDas Modell erzielte 70,3 Punkte bei ScreenSpot Pro und 56,2 Punkte bei OSWorld-Verified.Dies verbessert die Fähigkeit des Modells, Aufgaben in realen Umgebungen zu bewältigen. Darüber hinaus unterstützt das Modell einen flexiblen Mechanismus zur Steuerung des Denkprozesses, der es den Nutzern ermöglicht, die Tiefe des Denkprozesses nach Bedarf anzupassen und so ein Gleichgewicht zwischen Effektivität und Effizienz zu erzielen.

Aktuell hat der Tutorial-Bereich der offiziellen Website von HyperAI (hyper.ai) das Tutorial „Qwen3.8-27B-FP8: Native Visual Language Model“ veröffentlicht, um Entwicklern einen schnellen Zugriff auf die Funktionen des Modells zu ermöglichen.

Online ausführen:

https://go.hyper.ai/DRDLz

Weitere Online-Tutorials:

https://hyper.ai/notebooks

Demolauf

1. Nachdem Sie die Hyper.ai-Homepage aufgerufen haben, wählen Sie die Seite „Tutorials“ aus oder klicken Sie auf „Weitere Tutorials anzeigen“, wählen Sie „Qwen3.8-27B-FP8: Natives visuelles Sprachmodell“ aus und klicken Sie auf „Dieses Tutorial ausführen“.

2. Nachdem die Seite weitergeleitet wurde, klicken Sie oben rechts auf „Klonen“, um das Tutorial in Ihren eigenen Container zu klonen.

Hinweis: Sie können die Sprache oben rechts auf der Seite ändern. Derzeit sind Chinesisch und Englisch verfügbar. Dieses Tutorial zeigt die Schritte auf Englisch.

3. Wählen Sie die Images „NVIDIA RTX 5090-2“ und „vllm“ aus und klicken Sie auf „Auftragsausführung fortsetzen“.

4. Warten Sie, bis die Ressourcen zugewiesen wurden. Sobald sich der Status auf „Wird ausgeführt“ ändert, klicken Sie auf „Arbeitsbereich öffnen“, um den Jupyter-Arbeitsbereich zu betreten.

Effektanzeige

1. Nachdem die Seite weitergeleitet wurde, klicken Sie auf die README-Datei auf der linken Seite und anschließend oben auf Ausführen.

2. Nach Abschluss des Vorgangs öffnen Sie bitte ein neues Terminal und führen Sie den folgenden Befehl aus, um Open WebUI zu starten.

3. Klicken Sie nach dem Start auf die API-Adresse rechts, um die Open WebUI-Oberfläche in Ihrem Browser aufzurufen und mit der Interaktion mit dem lokalen Modell zu beginnen.