Wir freuen uns, dir mitteilen zu können, dass wir unser AI-Models-Portfolio mit Qwen3.6-27B um ein starkes Modell erweitert haben.
Das Alibaba Qwen-Team hat Qwen3.6-27B veröffentlicht, ein vollständig open-source, 27-Milliarden-Parameter-Modell, das beim Agentic Coding sämtliche seiner größeren Vorgänger übertrifft.
Wenn du auf der Suche nach einem Modell bist, das komplexe logische Aufgaben meistert, im Software-Development glänzt und dabei auch noch Bilder und Videos verstehen kann, dann bist du hier genau richtig.
Was macht das Modell besonders?
Das Modell ist speziell für anspruchsvolle logische Aufgaben und Softwareentwicklung ausgelegt und überzeugt vor allem durch:
- Starke Coding Performance: Ob Code-Generierung, Erklärung oder Debugging, hier liefert das Modell präzise Ergebnisse.
- Advanced Reasoning: Bei mehrstufigen, komplexen Aufgaben bleibt das Modell zuverlässig auf Kurs.
- 262K Context Window: Du kannst bis zu 262.144 Tokens in einem einzigen Prompt verarbeiten.
- Multimodal Input: Das Modell kann nicht nur Text, sondern auch Bilder und Videos direkt verarbeiten und analysieren.
- Dense Architecture: Alle 27 Milliarden Parameter sind bei jeder Anfrage aktiv.
- Thinking Preservation: Reasoning-Traces bleiben über Antworten hinweg erhalten. Das reduziert redundante Tokengenerierung und verbessert den KV-Cache-Einsatz in Multi-Turn-Agenten erheblich.
Was ist „Dense Architecture“?
Du kennst vielleicht Mixture-of-Experts (MoE) Modelle, wie zum Beispiel GPT-OSS 120B, die nur einen Teil der Parameter pro Anfrage aktivieren. Qwen3.6-27B geht einen anderen Weg, es nutzt eine dichte (dense) Architektur.
Das bedeutet, das gesamte Netzwerk ist bei jeder Query aktiviert.
Der Vorteil? Du bekommst konsistent hochwertige Ergebnisse ohne Routing-Overhead oder unerwartete Qualitätsschwankungen.
Der Trade-off? Die Antwortzeiten sind etwas länger. Für Use Cases, bei denen Genauigkeit und tiefes logisches Reasoning Priorität haben, ist das aber ein klarer Vorteil.
Die Benchmarks sprechen für sich
Gegenüber Claude Sonnet 4.5:
Qwen3.6-27B erreicht einen höheren Intelligence Index (45.8 vs. 43.0) und führt deutlich in autonomen Agenten-Aufgaben (GDPval-AA: 1406 vs. 1320). Im Coding-Index liegt es mit 38.5 punktgleich auf dem Niveau von Claude, kostet jedoch nur einen Bruchteil dessen Preises. Besonders im visuellen Reasoning (MMMU-Pro: 75 %) und bei wissenschaftlichen Aufgaben (GPQA: 84 %) zeigt das Modell klare Vorteile.
Gegenüber GPT-OSS 120B:
Während GPT-OSS eine kosteneffektive Wahl für einfache Aufgaben bleibt, übertrifft Qwen3.6-27B es deutlich in der Gesamtintelligenz (45.8 vs. 33.3) und den Coding-Fähigkeiten (38.5 vs. 28.6). Es ist die überlegene Wahl für komplexe Workflows.
Hier kannst du die vollen Benchmarks auf Artificial Analysis einsehen
Preise & Zugang zu Qwen3.6-27B
Der Einstieg ist unkompliziert. Du kannst das Modell direkt in deine bestehenden Workflows integrieren.
- Neuer Endpunkt:
https://api.ai.nws.netways.de/qwen/v1 - Model-ID:
Qwen/Qwen3.6-27B - API-Keys: Deine bestehenden API-Keys funktionieren bereits. Du musst keine neuen erstellen.
Preise:
Auch bei diesem Modell wird nutzungsbasiert abgerechnet, du zahlst also nur für die Tokens, die du tatsächlich verarbeitest
- 1M Output Tokens: 2,70 €
- 1M Input Tokens: 0,30 €
Good to know
Damit du das Beste aus Qwen3.6-27B herausholst, empfehlen wir folgende Sampling-Parameter. Passe sie je nach Use Case an:
- Thinking-Modus (Allgemeine Aufgaben)
temperature=1.0, top_p=0.95, top_k=20, min_p=0.0, presence_penalty=0.0, repetition_penalty=1.0 - Thinking-Modus (Präzises Coding / WebDev)
temperature=0.6, top_p=0.95, top_k=20, min_p=0.0, presence_penalty=0.0, repetition_penalty=1.0 - Instruct-Modus (Ohne Thinking)
temperature=0.7, top_p=0.80, top_k=20, min_p=0.0, presence_penalty=1.5, repetition_penalty=1.0
Thinking-Modus ausschalten?
Der Thinking-Modus lässt das Modell intern „nachdenken“, was bei komplexen Aufgaben oder Code die Qualität stark steigert. Für schnelle, direkte Antworten oder wenn du die Latenz minimieren willst, schaltest du ihn einfach aus oder nutzt die Instruct-Parameter:"chat_template_kwargs": {"enable_thinking": false}
Abschied vom Reranker-Modell
Gleichzeitig verabschieden wir uns von bge-reranker-v2-m3, da die Nachfrage nach diesem Reranker-Modell in der Vergangeheit gering war.
Dennoch bleibt dein RAG stabil, denn das bge-m3 embedding Modell bleibt bei uns im Portfolio und liefert weiterhin die technische Basis für präzise Suchergebnisse. Deine bestehenden RAG-Setups funktionieren also weiterhin einwandfrei, auch ohne Reranker.
Fazit
Egal, ob du an einem Coding-Projekt arbeitest, komplexe Daten analysieren musst oder multimodale Inputs verarbeiten willst, Qwen3.6-27B bietet dir die Leistung, die du brauchst.
Du kannst das Modell direkt in deine bestehenden Workflows integrieren oder parallel zu unseren anderen Modell testen. Falls du noch Fragen zur Integration oder Performance-Optimierung hast, schreibe uns einfach.
0 Kommentare