TL;DR:
- Alibaba reportó que Qwen3.8-27B superó el millón de descargas en pocos días; el contador de su repositorio principal en Hugging Face marcaba 415,039 el 18 de agosto de 2026.
- El paquete comprimido que publicó Unsloth, ajeno a la empresa, encabeza la lista con 2.73 millones, y los 28 repositorios más visibles del modelo suman 5.49 millones.
- Artificial Analysis lo colocó primero entre 135 modelos abiertos de su tamaño y, en la misma tabla, vigesimotercero por cantidad de tokens gastados para completar el índice.
Alibaba dijo que Qwen3.8-27B superó el millón de descargas en pocos días y lo presentó como uno de sus modelos de crecimiento más rápido, según reportó The Information. El contador público de su repositorio principal en Hugging Face marcaba 415,039 descargas del último mes en la consulta del 18 de agosto de 2026, cuatro días después de que salieran los pesos. El resto del tráfico está en otras manos: el paquete comprimido que subió Unsloth, un tercero, encabeza la lista con 2.73 millones. Hugging Face no publica un total consolidado por modelo, así que cada repositorio lleva su propio contador y cualquier cifra agregada queda sin desglosar. Para quien quiera bajar el modelo en México, España o cualquier otro país hispanohablante, la diferencia es práctica: el archivo con más descargas no lo administra Alibaba.
El repositorio oficial marca 415,039 descargas y el de Unsloth, 2.73 millones
Hugging Face muestra en cada ficha un contador de descargas del último mes. Como Qwen3.8-27B salió el viernes 14 de agosto de 2026, esa ventana cubre casi la vida entera del modelo. Estos son los cinco repositorios con más tráfico al 18 de agosto, entre el archivo original y sus conversiones:
| Repositorio | Quién lo publica | Descargas del último mes |
|---|---|---|
| unsloth/Qwen3.8-27B-GGUF | Unsloth (tercero) | 2,730,000 |
| lmstudio-community/Qwen3.8-27B-GGUF | LM Studio (tercero) | 701,000 |
| Qwen/Qwen3.8-27B-FP8 | Alibaba | 496,000 |
| Qwen/Qwen3.8-27B | Alibaba | 415,039 |
| ggml-org/Qwen3.8-27B-GGUF | Equipo de llama.cpp (tercero) | 169,000 |
Los dos repositorios de Alibaba reúnen unas 911,000 descargas entre ambos, cerca del millón que anunció la empresa. Los 28 que aparecen en la primera página del listado suman 5.49 millones, y con el archivo base llegan a 5.9 millones. El listado tiene 18 páginas. Cybernews contó más de 3 millones dentro de la plataforma en el primer fin de semana, aunque ni la empresa ni la cobertura precisaron qué archivos estaban sumando.
Alibaba cuenta el ecosistema completo y lo dice en su propio anuncio
La licencia explica el reparto. Alibaba publica los pesos en formato safetensors, que es lo que consumen bibliotecas como Transformers, vLLM o SGLang. Quien quiera correr el modelo en una computadora personal necesita otra cosa: archivos GGUF, NVFP4 o MLX, que son los que leen LM Studio, Ollama y llama.cpp. Esa conversión la hace la comunidad y la sube a repositorios propios, y la licencia Apache 2.0 le da permiso explícito para modificar y redistribuir sin pagar ni pedir autorización.
Patricia Rodriguez
En cuatro días esa mecánica produjo más de 500 versiones cuantizadas: la ficha del modelo listaba 514 y el filtro de la plataforma devolvía 531 minutos después, además de 105 ajustes finos y 26 adaptadores. La empresa mide su éxito con esa misma vara y lo escribió en su anuncio del 17 de agosto: citando el informe de verano de Hugging Face, atribuye a los modelos basados en Qwen 151,448 repositorios derivados en la plataforma, 2.6 veces la huella de Meta, y 2,045 millones de descargas entre enero y julio de este año. La cifra que celebra Alibaba nunca fue la de un archivo, sino la de una familia entera.
Ese catálogo abierto también incluye versiones que sus autores anuncian en el propio nombre como "uncensored" o "abliterated", es decir, con las salvaguardas retiradas. Las que aparecen en la primera página del listado suman 512,890 descargas, más que el repositorio base de la empresa. Cybernews reportó que uno de esos autores describe su versión como capaz de responder a peticiones dañinas, ilegales u ofensivas que el modelo original rechaza.
La primera medición independiente lo pone primero de 135 y vigesimotercero en verbosidad
Artificial Analysis publicó el lunes 17 de agosto su evaluación. Le dio 52 puntos en su Intelligence Index, un compuesto de nueve pruebas, y lo situó como número uno entre los 135 modelos de pesos abiertos de su rango de tamaño, el de 4,000 a 40,000 millones de parámetros, cuya mediana es 9. El South China Morning Post resumió la comparación: el modelo quedó a la par del GPT-5.6 Luna de OpenAI y cerca de los abiertos chinos de mayor tamaño, el GLM-5.2 de Zhipu y el DeepSeek-V4-Pro-0813, que según ese diario tiene 1.7 billones de parámetros, es decir 1.7 millones de millones. En el Agentic Index de la misma firma superó al GPT-5.6 Terra y al Claude Opus 4.8 de Anthropic.
La misma página trae un segundo dato. En consumo de tokens, Qwen3.8-27B aparece en el puesto 23 de esos 135: gastó 160 millones de tokens para completar el índice, contra una mediana de 43 millones en su clase. Son 3.7 veces más texto interno para resolver el mismo examen.
Los rankings independientes no coinciden entre sí, y el motivo es de método. Como contamos en la primera tanda de pruebas prácticas, WildClawBench dejó al modelo en el puesto 15 de 34 con 48.0%. Artificial Analysis lo compara contra modelos abiertos de su mismo tamaño; WildClawBench corre 60 trabajos completos en un solo entorno y mete en la tabla a sistemas alojados mucho mayores.
Misma calidad que la nube, seis veces y media de espera
Tomasz Tunguz, socio de Theory Ventures, publicó el 18 de agosto una comparación con método declarado: 25 tareas de su propio flujo de trabajo, entre ellas investigar startups, resumir artículos y transcribir podcasts, calificadas a ciegas sobre 9 por un modelo juez, con tope de 4,096 tokens de salida y los modelos locales servidos por Ollama sobre el mismo runtime.
Qwen3.8-27B y el DeepSeek V4 Flash alojado en la nube empataron en calidad con 8.0 de 9. El local necesitó 369 tokens de promedio contra 159, y tardó 7.2 segundos por tarea contra 1.1. La misma respuesta, seis veces y media más de espera.
Tunguz lo atribuye a la arquitectura: los modelos grandes memorizaron más y saltan directo a la respuesta, mientras que los pequeños razonan casi desde cero para cerrar la brecha. El razonamiento viene encendido de fábrica en el nivel xhigh, el más costoso de los tres que ofrece la documentación de Qwen.
El saldo para quien lo evalúe es medible en las dos direcciones. Un archivo que cabe en una máquina de escritorio ya responde tan bien como un servicio alojado en tareas reales de oficina y su licencia permite explotarlo comercialmente sin pagar. La factura llega en segundos de espera, en tokens gastados y en un detalle de gobernanza que conviene revisar antes de instalarlo: en la mayoría de los casos, el archivo que se descarga no lo firma Alibaba.
