Command Palette
Search for a command to run...
Tutoriel En Ligne | Qwen 3.8-27B : Mise À Jour Majeure De La Version Open Source, Amélioration Des Capacités De Raisonnement, De Programmation Et D’agent
Après une si longue attente, la série Qwen a enfin dévoilé son grand film —Qwen3.8-27B est désormais open source et disponible !
Avec 27 milliards de paramètres, ce modèle ne repose pas sur l'approche traditionnelle « plus de paramètres, plus il est performant », mais améliore considérablement ses capacités d'inférence, de programmation et d'agent. Lors de plusieurs évaluations officielles, il a commencé à concurrencer directement les meilleurs modèles propriétaires, tels que Claude.
Ce modèle est basé sur l'architecture Qwen3.5 et a été optimisé et mis à niveau.Avec une échelle de 27 milliards de paramètres, il améliore considérablement les capacités de développement de code, les tâches professionnelles, l'analyse de la recherche scientifique et les tâches d'agents intelligents à cycle long.En termes de compétences en programmation,Qwen3.8-27B a obtenu un score de 72,4 sur SWE-bench Verified et de 80,7 sur LiveCodeBench v6.Il présente des capacités de programmation sophistiquées, comparables à celles de modèles de plus grande envergure. De plus, en tant que modèle de langage visuel natif, il prend en charge la compréhension d'images et de vidéos et peut traiter des tâches multimodales telles que les graphiques scientifiques, l'analyse syntaxique de documents et l'analyse de vidéos longues.Il a obtenu un score de 88,9 sur OmniDocBench 1.5 et de 87,0 sur VideoMME.
En ce qui concerne les capacités des agents intelligents,Qwen3.8-27B améliore les capacités de planification autonome, d'utilisation des outils et de retour d'information environnemental.Il peut décomposer les tâches autour d'objectifs complexes et les exécuter en continu. Dans l'évaluation des agents,Le modèle a obtenu un score de 70,3 sur ScreenSpot Pro et de 56,2 sur OSWorld-Verified.Cela renforce encore la capacité du modèle à accomplir des tâches dans des environnements réels. De plus, le modèle prend en charge un mécanisme de contrôle du raisonnement flexible, permettant aux utilisateurs d'ajuster la profondeur du raisonnement selon leurs besoins, pour un équilibre optimal entre efficacité et performance.
Actuellement, la section tutoriels du site officiel d'HyperAI (hyper.ai) a lancé « Qwen3.8-27B-FP8 : Modèle de langage visuel natif » pour aider les développeurs à accéder rapidement aux capacités du modèle.
Exécutez en ligne :
Plus de tutoriels en ligne :
Essai de démonstration
1. Après avoir accédé à la page d'accueil d'hyper.ai, sélectionnez la page « Tutoriels », ou cliquez sur « Voir plus de tutoriels », sélectionnez « Qwen3.8-27B-FP8 : Modèle de langage visuel natif », et cliquez sur « Exécuter ce tutoriel ».
2. Une fois la page redirigée, cliquez sur « Cloner » en haut à droite pour cloner le tutoriel dans votre propre conteneur.
Remarque : Vous pouvez changer de langue en haut à droite de la page. Actuellement, le chinois et l’anglais sont disponibles. Ce tutoriel présente les étapes en anglais.
3. Sélectionnez les images « NVIDIA RTX 5090-2 » et « vllm », puis cliquez sur « Continuer l'exécution de la tâche ».
4. Attendez que les ressources soient allouées. Une fois que le statut passe à « En cours d'exécution », cliquez sur « Ouvrir l'espace de travail » pour accéder à l'espace de travail Jupyter.
Affichage des effets
1. Une fois la page redirigée, cliquez sur le fichier README à gauche, puis sur « Exécuter » en haut.
2. Une fois le processus terminé, veuillez ouvrir un nouveau terminal et exécuter la commande suivante pour démarrer Open WebUI.
3. Après le démarrage, cliquez sur l'adresse de l'API à droite pour accéder à l'interface Open WebUI dans votre navigateur et commencer à interagir avec le modèle local.
