تصور کنید مدلی ۱۴ برابر کوچک‌تر، تمام رکوردهای مدل غول‌پیکر предшеل خود را بزند. اگر هنوز فکر می‌کنید برای کدنویسی پیشرفته به مدل‌های چندصد میلیارد پارامتری نیاز دارید، سخت استراحت کنید؛ چون علی‌بابا همین حالا این باور را ویران کرد.
علی‌بابا (Alibaba) در ۲۵ آوریل ۲۰۲۶ مدل Qwen3.6-27B را معرفی کرد. این مدل با وجود معماری متراکم (Dense)، مدل ۳۹۷ میلیارد پارامتری قبلی را در تقریباً تمام بنچمارک‌های کدنویسی پشت سر گذاشت.
به نقل از وب‌سایت the-decoder.com، مدل Qwen3.6-27B در آزمون SWE-bench Verified امتیاز ۷۷.۲ را کسب کرد. این عدد از امتیاز ۷۶.۲ مدل Qwen3.5-397B-A17B بیشتر است و نشان‌دهنده برتری مطلق مدل کوچک‌تر است.
طبق گزارش منتشر شده، این مدل در Terminal-Bench 2.0 نیز امتیاز ۵۹.۳ را ثبت کرد که جهشی خیره‌کننده نسبت به ۵۲.۵ مدل قبلی است. این اختلاف عملکرد به قدری زیاد است که نمی‌توان آن را نادیده گرفت.
ویژگی‌های فنی این مدل عبارت‌اند از:
- ۲۷ میلیارد پارامتر در یک معماری متراکم، برای حذف پیچیدگی‌های MoE
- وزن‌های باز (Open Weights) در دسترس در Hugging Face و ModelScope
- پشتیبانی چندوجهی (Multimodal) در کنار توانایی‌های استثنایی در کدنویسی
همان‌طور که در تحلیل قبلی ما درباره‌ی قوانین مقیاس‌پذیری (Scaling Laws) اشاره کردیم، بازدهی مدل‌ها همیشه با افزایش اندازه رابطه مستقیم ندارد. این مدل در وظایفی مثل GPQA Diamond با رقبای تراز اولی چون Claude 4.5 Opus رقابت می‌کند.
به دلیل طراحی متراکم، استنتاج (Inference) در این مدل بسیار ساده‌تر از جایگزین‌های MoE است. توسعه‌دهندگان دیگر نیازی به مدیریت منطق مسیریابی و سربار حافظه برای فعال‌سازی زیرمدل‌ها ندارند. اگر زیرساخت محدودی دارید، این دسترسی سریع یک تغییر game-changer است.
این مدل اکنون از طریق Qwen Studio، API مدل استودیو Alibaba Cloud و مخازن وزن‌های باز در دسترس است. اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گام بعدی شما
- مدل را از Hugging Face دانلود کرده و در پروژه‌های کوچک تست کنید.
- مقایسه‌ی سرعت استنتاج این مدل با مدل‌های MoE را در محیط محلی بررسی کنید.
- API مدل را در Qwen Studio برای اتوماسیون کدنویسی به کار بگیرید.
گفتگو