Qwen-Modelle 2026: 27B, Flash-Next, Hardware und API

Qwen3.8-27B und Qwen3.8-Flash-Next sind die wichtigsten Ausgangspunkte dieser Qwen-Modellübersicht. Der 27B lässt sich stark quantisiert auf einer 24-GB-GPU erproben; Flash-Next braucht trotz seiner nur sechs Milliarden aktiven Parameter erheblich mehr Speicher. Auf meinem ASUS Ascent GX10 aus der DGX-Spark-Geräteklasse ist inzwischen eine angepasste Flash-Next-Version das gewählte Betriebsprofil.

Die Auswahl unten trennt lokal verfügbare Gewichte, verwaltete APIs und die Spezialmodelle für Suche. Sie ist eine Auswahl nach Einsatz und Hardware, kein vollständiger Checkpoint-Katalog. Stand: 14. September 2026.

Qwen-Modelle im Überblick: welches passt wofür?

Bei Qwen bezeichnet die Grössenangabe vor B meist die gesamten Sprachmodellparameter; ein Zusatz wie A3B nennt die pro Token aktiven Parameter. Ein Mixture-of-Experts-Modell (MoE) aktiviert nur einen Teil seiner Experten. Gespeichert werden müssen trotzdem alle Gewichte. Flash-Next führt ausserdem grosse N-Gramm-Embeddings separat auf. Die Bezeichnung «6B aktiv» ist deshalb keine Speicherangabe.

Für eine einzelne Consumer-GPU ist der 27B der naheliegendere erste Versuch. Mit einem qualifizierten 128-GB-GB10-Setup kommt Flash-Next hinzu. Qwen3.6-35B-A3B bleibt eine mögliche Durchsatzoption für bestehende Installationen; allein aus der Zahl aktiver Parameter lässt sich kein Geschwindigkeitsvorsprung für jeden Rechner ableiten.

Qwen3.8-27B: der kompaktere lokale Einstieg

Der 27B ist ein dichtes Modell mit Text-, Bild- und Videoeingabe. Seine Architektur verbindet Gated DeltaNet mit klassischen Attention-Blöcken. Die offizielle Modellkarte nennt 262.144 Tokens nativen Kontext und eine Erweiterung bis auf eine Million. Thinking und Non-Thinking sind im selben Checkpoint enthalten; beim Thinking stehen low, medium und xhigh zur Verfügung. Standard ist xhigh, mit entsprechend möglichem Aufwand für lange Denkprozesse.

In Qwens Herstellervergleich steigt Terminal-Bench 2.1 gegenüber Qwen3.6-27B von 63,4 auf 73,0 Punkte, SWE-bench Pro von 53,5 auf 61,7. Das spricht für einen Generationsfortschritt bei den geprüften Coding-Aufgaben. Die Ergebnisse hängen jedoch an den jeweiligen Testumgebungen und sind kein Beleg, dass jede lokale Anwendung davon gleich stark profitiert. Externe Indizes wie Artificial Analysis helfen bei der Orientierung, ändern aber Messversionen und Bewertungsstände. Ein einzelner Indexwert trägt keine dauerhafte Empfehlung als Ersatz für ein bestimmtes Cloud-Modell.

Qwen3.8-Flash-Next: mehr Modell, höhere Anforderungen

Flash-Next ist eine experimentelle Vorschau auf die Qwen4-Architektur. Qwen nennt 125 Milliarden Sprachmodellparameter mit rund sechs Milliarden aktiven Parametern pro Token, zusätzlich 51 Milliarden für N-Gramm-Embeddings und vier Milliarden für Multi-Token Prediction (MTP). Gated DeltaNet und Qwen Sparse Attention sollen besonders lange Kontexte effizienter verarbeiten. Text, Bilder und Video werden unterstützt; der native Kontext beträgt ebenfalls 262.144 Tokens und ist laut Modellkarte erweiterbar.

In der Herstellervergleichstabelle erreicht Flash-Next bei SWE-bench Pro 62,5 Punkte gegenüber 61,7 für den 27B. Bei DeepSWE 1.1 stehen 58,7 gegen 42,2. Der Abstand fällt also je nach Aufgabe deutlich anders aus. Für DeepSWE meldet Qwen jeweils das bessere Ergebnis aus zwei Agenten-Frameworks; bei SWE-bench Pro wurden Aufgaben korrigiert und Vergleichsmodelle neu evaluiert. Diese Zahlen sind Orientierung für eigene Tests, keine unabhängige Gesamtwertung.

Auch die Lizenz unterscheidet sich. Flash-Next steht unter der Qwen Community License 1.0, nicht unter Apache 2.0. Betreibt der Lizenznehmer oder ein verbundenes Unternehmen ein Model-as-a-Service- oder AI-Work-Assistant-Geschäft, ist vor kommerzieller Nutzung des Modells oder seiner Ableitungen eine gesonderte Lizenz von Qwen erforderlich. Rein interne Nutzung ist unter den dort genannten Bedingungen ausgenommen. Damit ist Flash-Next für ein öffentlich angebotenes KI-Produkt eine andere Entscheidung als für einen internen Lab-Betrieb.

Ältere Modelle: Bestand prüfen, nicht pauschal ersetzen

Qwen3.6-27B ist die direkte Vorgängergeneration des dichten 27B. Qwen3.6-35B-A3B nutzt MoE mit rund drei Milliarden aktiven Parametern. Qwen3-Coder-Next bleibt ein auf Coding ausgerichtetes Non-Thinking-Modell. Bestehende, zuverlässig getestete Installationen werden durch einen neuen Release nicht automatisch unbrauchbar.

Speicherbedarf: von 24 GB VRAM bis zur DGX Spark

27 Milliarden Parameter ergeben rechnerisch rund 54 GB in BF16 oder 27 GB bei einem Byte pro Parameter. Das ist nur eine Grössenordnung für die Gewichte. Tatsächliche Checkpoints enthalten weitere Komponenten und Quantisierungsmetadaten. Bei 4-Bit-Versionen des 27B können die Dateien je nach Format deutlich über der rechnerischen Untergrenze von 13,5 GB liegen; der in meinem NVFP4-Test verwendete Checkpoint belegt beispielsweise 21,81 GiB.

Hinzu kommen Runtime, KV-Cache, Vision-Verarbeitung und gegebenenfalls MTP. Qwen3.6-35B-A3B braucht trotz weniger aktiver Parameter rechnerisch rund 70 GB in BF16. Bei Flash-Next summieren sich die separat ausgewiesenen Sprachmodell-, N-Gramm- und MTP-Parameter auf rund 180 Milliarden. Allein dafür ergäben sich unquantisiert etwa 360 GB. Der lokale 128-GB-Betrieb funktioniert durch eine besondere Kombination aus Quantisierung und Auslagerung.

Unified Memory wird von Modell, Betriebssystem und weiteren Diensten gemeinsam genutzt. Es ist kein vollständig freier VRAM-Block. Die Unterschiede der Geräte und den eigenen Aufbau beschreibt mein Praxisbericht zu DGX Spark und ASUS GX10. Ein maximal unterstütztes Kontextfenster ist ausserdem noch kein gemessener Durchsatz bei dieser Länge.

Qwen auf der Spark: was meine Tests belegen

Meine Messungen stammen vom ASUS Ascent GX10 mit NVIDIA GB10 und 128 GB Unified Memory. Der ältere Qwen3.8-27B-Test mit FP8, NVFP4 und MTP beschreibt das damals gewählte NVFP4-MTP3-Profil. Ein Wechsel der Serving-Generation hatte den auditierten Tool-Score derselben FP8-MTP3-Konfiguration von 71 auf 93 Punkte angehoben. Das war ein Wechsel des gesamten Stacks, kein isolierter Nachweis für einen einzelnen Parser oder Patch.

Für den 27B blieb MTP3 die qualifizierte Einstellung. Das schnellere MTP5 fiel in der damaligen Matrix wegen eines Offenlegungsfehlers durch das Safety-Gate. Den höchsten Durchsatzwert als Standardempfehlung zu übernehmen, hätte diesen Befund unterschlagen. Der frühe Qwen3.6-Test mit MTP1 und FlashInfer bleibt als historische Optimierungsstudie nützlich, ist aber kein Startrezept für Flash-Next.

Mein aktuelles Flash-Next-Profil nutzt die Community-Variante RadixArk NVFP4 Hybrid-Sharp von travelinlance. Sie kombiniert überwiegend NVFP4 mit FP8-Seitenschichten, einem veränderten Chat-Template und einer per SSD eingebundenen N-Gramm-Tabelle. Dafür ist ein angepasstes vLLM-Image nötig. Die Standardinstallation von vLLM oder SGLang kann diesen speziellen Checkpoint laut dessen Modellkarte nicht laden. Diese Einschränkung betrifft die Community-Variante, nicht grundsätzlich das offizielle Flash-Next-Modell.

Im Flash-Next-Test auf der DGX Spark mit MTP2 erreichte die Konfiguration bei kurzen bis mittleren Ausgaben 27,4 bis 29,0 Tokens pro Sekunde. Das waren 15,5 bis 23,6 Prozent mehr als die historische Non-MTP-Baseline desselben Modells, derselben Maschine und desselben Messwerkzeugs. Gemessen wurde mit 128 Input-Tokens, einer gleichzeitigen Anfrage und drei Wiederholungen pro Messpunkt. Bei 512 Output-Tokens streuten die Messwerte stark.

In je einem stochastischen Hard-Mode-Toollauf mit Seed 42 erreichten MTP2 und die historische Non-MTP-Baseline 90 beziehungsweise 89 von 100 Punkten roh sowie 95 beziehungsweise 91 nach Audit. Der Audit prüfte gezielt auffällige Traces und ausgewählte bestandene Fälle. Ein Seed und dieser begrenzte Audit belegen weder einen Fähigkeitsgewinn durch MTP noch allgemeine Qualitätsparität. Die Aussage «unveränderte Werkzeugqualität» im verlinkten Bericht lässt sich deshalb nicht über diesen Test hinaus verallgemeinern. Synchrones Scheduling und neun GiB KV-Cache ermöglichten im getesteten Aufbau auch 261.000 Input-Tokens neben Embedding und Sprachsynthese. Ein kontrollierter Gesamtsieg über andere Modelle ist damit nicht belegt.

Thinking und Werkzeuge: warum das Startrezept mitentscheidet

MTP beschleunigt die Token-Erzeugung durch spekulative Vorhersagen. Die Thinking-Tiefe steuert dagegen, wie ausführlich das Modell vor der Antwort nachdenkt. Weniger Thinking kann einzelne Antworten verkürzen, bei komplexen Agentenaufgaben aber mehr Fehlversuche verursachen. Beide Einstellungen müssen mit dem tatsächlichen Arbeitsauftrag getestet werden.

Für die dokumentierten Qwen3.8-vLLM-Setups verwende ich den Reasoning-Parser qwen3 und den Tool-Call-Parser qwen3_coder. Die passenden Images, Parameter und Einschränkungen stehen in den verlinkten Spark-Tests. Vor längeren Aufträgen sollten Streaming, strukturierte Ausgabe und mehrstufige Werkzeugaufrufe geprüft werden. Ein funktionierender Chat ist dafür kein Ersatz.

Gute Tool-Scores sind auch keine Sicherheitsgarantie. Mein Qwen3.8-Test in AgentDojo untersucht separat, ob ein Agent Anweisungen in fremden Inhalten widersteht. Der AgentHarm-Vergleich mit einer abliterated Qwen-Variante behandelt wiederum verändertes Ablehnungsverhalten. Beides darf weder aus Decode-Geschwindigkeit abgeleitet noch ungeprüft auf Flash-Next übertragen werden.

Qwen per API: 27B, Flash und Max auseinanderhalten

Die Flash-Next-Modellkarte bezeichnet Qwen3.8-Flash als die darauf basierende verwaltete Variante. Qwen Cloud dokumentiert dafür zusätzliche Produktfunktionen und eine Million Tokens Kontext. Der API-Name lautet qwen3.8-flash. Er bezeichnet nicht denselben Auslieferungsstand wie ein lokal quantisierter Flash-Next-Checkpoint. Qwen Cloud nennt derzeit 0,15 US-Dollar pro Million Input-Tokens und 0,47 US-Dollar pro Million Output-Tokens, vor zusätzlichen Werkzeugkosten.

Alibaba Cloud Model Studio führt daneben qwen3.8-27b. Für den internationalen Singapore-Endpunkt nennt die Preisliste Thinking und Non-Thinking sowie bis zu eine Million Tokens pro Anfrage. Preise unterscheiden sich nach Region, Caching und Produktversion; für eine Kalkulation zählt das konkrete Angebot.

Model Studio führt zudem Qwen3.8-Max und qwen3.8-2.4t-a95b als separate Angebote. Beide gehören zur grossen API- und Serverklasse. Das ist kein Kandidat für eine gewöhnliche Einzel-Workstation. Bei verwalteten Angeboten zählen die genaue Modell-ID, Datenverarbeitung und Anbieterbedingungen; ein Versionsname allein sagt weder Lizenz noch konkrete Hostingbedingungen aus.

Qwen für RAG: Embeddings und Reranker

Qwen3-Embedding und Qwen3-Reranker sind keine Chatmodelle. Ein Embedding-Modell übersetzt Suchanfragen und Dokumente in Vektoren für die semantische Suche. Ein Reranker bewertet danach eine kleine Trefferliste genauer. Beide Familien gibt es mit 0,6, vier und acht Milliarden Parametern sowie bis zu 32K Kontext.

Die Embedding-Varianten liefern maximal 1.024, 2.560 beziehungsweise 4.096 Dimensionen. Bei asymmetrischer Suche erhält die Anfrage eine Aufgabenbeschreibung, während die Dokumente ohne diese Query-Instruktion eingebettet werden. Für meine Suche läuft Qwen3-Embedding-4B mit 2.560 Dimensionen. Der zuvor getestete 0.6B-Reranker verbesserte die eigene Hybrid-Suche nicht und wurde deshalb nicht übernommen. Der Nutzen eines Rerankers muss an den tatsächlichen Suchanfragen gemessen werden.

Die sinnvolle Auswahl beginnt beim verfügbaren Rechner

Auf einer kleinen Einzel-GPU bleibt ein quantisierter 27B der zugänglichere Einstieg. Flash-Next wird mit genug Speicher und einem passenden Serving-Stack interessant; das qualifizierte Spark-Profil zeigt einen konkreten Weg dorthin. Wer den Modellnamen ohne Lizenz, Quantisierung und Runtime auswählt, vergleicht Versprechen statt betriebsfähiger Konfigurationen. Für kleinere Hardwareklassen oder andere Modellfamilien ergänzen die Übersichten zu Gemma und Mistral den Vergleich.