Qwen3.6-27B

Fiche modèle · Alibaba Cloud / Qwen Team · qwen3.6-27b

Qwen3.6-27B is a dense 27-billion-parameter multimodal model in the Qwen3.6 series, supporting both vision-language thinking and non-thinking modes in a single unified checkpoint. The 64-layer language model uses a hybrid layout of 16 repeats of (3 × Gated DeltaNet → FFN, 1 × Gated Attention → FFN) with hidden dim 5120 and FFN intermediate 17408 — Gated DeltaNet has 48/16 heads for V/QK (head dim 128) and Gated Attention has 24/4 heads for Q/KV (head dim 256). It supports a native 262,144-token context extensible to ~1,010,000 via YaRN and is trained with multi-token prediction. The release delivers flagship-level agentic coding, surpassing the previous-generation open-source flagship Qwen3.5-397B-A17B (397B total / 17B active) on every major coding benchmark including SWE-bench Verified (77.2), SWE-bench Pro (53.5), Terminal-Bench 2.0 (59.3), and SkillsBench (48.2), and reaches 87.8 on GPQA Diamond. Released as open weights under Apache 2.0; accessible via Qwen Studio with the Alibaba Cloud Model Studio API coming soon.

Fiches modèles

Identité

Organisation	Alibaba Cloud / Qwen Team
Pays	—
Famille	—
Type	llm
Date de sortie	2026-04-21
Licence	apache 2.0
Licence commerciale	oui
Licence open source	oui
Poids ouverts	oui
Auto-hébergement (DGX Spark)	oui — ≤ 107 Md (Q8/FP8)
Modalités	image\|text\|video
Fenêtre de contexte	262 144
KV cache / token (Q8)	131.1 ko/token
Paramètres totaux	27.8 B
Paramètres actifs (session)	27.8 B
Source des paramètres actifs	actifs = total (modèle dense, config HF (Qwen/Qwen3.6-27B)) ; total : config Hugging Face (Qwen/Qwen3.6-27B)
Curation des paramètres actifs	2026-11-04
Prix par session	0.96 $ (1 000 000 tokens entrée + 200 000 sortie, prix le moins cher par fournisseur)
Tokens / tâche (Data Players)	1.2 M
Tokens / tâche (Terminal-Bench)	83.3 M (est.)
Ratio Terminal-Bench / Data Players	69.4×
Coût / tâche (Terminal-Bench)	8.06 $ (est.)
Tokens d'entraînement	—
Coupure de connaissance	—
Créé le	2026-05-07T16:53:39.007228Z
Mis à jour le	2026-11-04T06:05:10.798863Z
Source	LLM Stats
URL	https://llm-stats.com/models/qwen3.6-27b

Tokens/tâche

IA Act — preuves fournisseur

ICA 42/100 · open source · seuil systémique inconnu

Critère	Note / 5	Poids
Documentation technique	2,5	5 %
Résumé des données d'entraînement	2,5	35 %
Conformité droit d'auteur	2,5	35 %
Code of Practice GPAI	1,2	20 %
Risque systémique	0,0	5 %

Curation : 2026-10-23.

IA Act

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : souverain — via OVHcloud (cortecs, ovh).

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Fournisseur	Source	Souveraineté	Entrée (/M tok)	Sortie (/M tok)	Quantification	Contexte	Latence (s)	Débit (tok/s)	Statut
OVHcloud	cortecs, ovh	souverain	0.45 $	3.03 $	fp8	262 000	—	—	—
DeepInfra	llm-stats	non	0.32 $	3.20 $	—	—	—	—	active
Novita	llm-stats	non	0.60 $	3.60 $	—	—	—	—	active

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
image_to_text	0.70
language	0.90
legal	0.80
long_context	0.90
math	0.80
multimodal	0.80
physics	0.80
reasoning	0.80
spatial_reasoning	0.80
structured_output	0.80
embodied	0.80
finance	0.80
frontend_development	0.80
general	0.80
grounding	0.80
healthcare	0.80
agents	0.50
biology	0.90
chemistry	0.80
code	0.60
economics	0.70
text-to-image	0.80
tool_calling	0.60
video	0.80
vision	0.80

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
aime-2026	math	0.94	1.00	0.94	non	oui	2026-11-04T06:05:10.882630Z
androidworld	agents	0.70	1.00	0.70	non	oui	2026-11-04T06:05:10.972888Z
c-eval	general	0.91	1.00	0.91	non	oui	2026-11-04T06:05:10.853850Z
cc-ocr	vision	0.81	1.00	0.81	non	oui	2026-11-04T06:05:10.926838Z
charxiv-r	reasoning	0.78	1.00	0.78	non	oui	2026-11-04T06:05:10.920778Z
claw-eval	code	0.61	1.00	0.61	non	oui	2026-11-04T06:05:10.835409Z
countbench	vision	0.98	100.00	0.98	non	oui	2026-11-04T06:05:10.938357Z
dynamath	math	0.86	1.00	0.86	non	oui	2026-11-04T06:05:10.900878Z
embspatialbench	vision	0.85	100.00	0.85	non	oui	2026-11-04T06:05:10.945842Z
erqa	vision	0.62	1.00	0.62	non	oui	2026-11-04T06:05:10.934934Z
gpqa	reasoning	0.88	1.00	0.88	non	oui	2026-11-04T06:05:10.857438Z
hmmt-2025	math	0.94	1.00	0.94	non	oui	2026-11-04T06:05:10.867818Z
hmmt-feb-26	math	0.84	1.00	0.84	non	oui	2026-11-04T06:05:10.875391Z
hmmt25	math	0.91	1.00	0.91	non	oui	2026-11-04T06:05:10.872383Z
humanity's-last-exam	reasoning	0.24	1.00	0.24	non	oui	2026-11-04T06:05:10.861386Z
imo-answerbench	math	0.81	1.00	0.81	non	oui	2026-11-04T06:05:10.879148Z
livecodebench-v6	reasoning	0.84	1.00	0.84	non	oui	2026-11-04T06:05:10.864751Z
mathvista-mini	math	0.87	1.00	0.87	non	oui	2026-11-04T06:05:10.897441Z
mlvu	video	0.87	1.00	0.87	non	oui	2026-11-04T06:05:10.962444Z
mmbench-v1.1	vision	0.92	1.00	0.92	non	oui	2026-11-04T06:05:10.914555Z
mmlu-pro	language	0.86	1.00	0.86	non	oui	2026-11-04T06:05:10.843954Z
mmlu-redux	language	0.94	1.00	0.94	non	oui	2026-11-04T06:05:10.846962Z
mmmu	multimodal	0.83	1.00	0.83	non	oui	2026-11-04T06:05:10.885784Z
mmmu-pro	vision	0.76	1.00	0.76	non	oui	2026-11-04T06:05:10.889795Z
mmstar	vision	0.81	1.00	0.81	non	oui	2026-11-04T06:05:10.911006Z
mvbench	vision	0.76	1.00	0.76	non	oui	2026-11-04T06:05:10.966144Z
nl2repo	code	0.36	1.00	0.36	non	oui	2026-11-04T06:05:10.827258Z
ocrbench	vision	0.89	1.00	0.89	non	oui	2026-11-04T06:05:10.930639Z
qwenwebbench	code	1 487.00	2 000.00	—	non	oui	2026-11-04T06:05:10.824228Z
realworldqa	vision	0.84	1.00	0.84	non	oui	2026-11-04T06:05:10.907688Z
refcoco-avg	vision	0.93	100.00	0.93	non	oui	2026-11-04T06:05:10.941431Z
refspatialbench	vision	0.70	100.00	0.70	non	oui	2026-11-04T06:05:10.950063Z
simplevqa	vision	0.56	100.00	0.56	non	oui	2026-11-04T06:05:10.917521Z
skillsbench	code	0.48	1.00	0.48	non	oui	2026-11-04T06:05:10.821230Z
supergpqa	reasoning	0.66	1.00	0.66	non	oui	2026-11-04T06:05:10.850164Z
swe-bench-multilingual	reasoning	0.71	1.00	0.71	non	oui	2026-11-04T06:05:10.814199Z
swe-bench-pro	reasoning	0.54	1.00	0.54	non	oui	2026-11-04T06:05:10.810579Z
swe-bench-verified	reasoning	0.77	1.00	0.77	non	oui	2026-11-04T06:05:10.806820Z
terminal-bench-2	reasoning	0.59	1.00	0.59	non	oui	2026-11-04T06:05:10.818008Z
v-star	vision	0.95	1.00	0.95	non	oui	2026-11-04T06:05:10.969047Z
videomme-w-sub.	vision	0.88	1.00	0.88	non	oui	2026-11-04T06:05:10.953673Z
videommmu	multimodal	0.84	1.00	0.84	non	oui	2026-11-04T06:05:10.957590Z
vlmsareblind	vision	0.97	1.00	0.97	non	oui	2026-11-04T06:05:10.904090Z
zclawbench	code	0.53	1.00	0.53	non	oui	2026-11-04T06:05:10.840430Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
agents	95	—	15.77	7	trueskill	2026-10-19	model_history
code	80	—	25.36	8	trueskill	2026-10-19	model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04