TL;DR:
- Pruebas prácticas posteriores al lanzamiento muestran que Qwen3.8-27B puede inspeccionar repositorios, llamar herramientas, escribir código y analizar imágenes desde un equipo local.
- La versión cuantizada Q4_K_M usada en esas pruebas ocupa 17 GB, mientras que el modelo admite 262,144 tokens de contexto nativo.
- El costo aparece en la velocidad: Simon Willison obtuvo entre 15 y 30 tokens por segundo, y WildClawBench colocó al modelo en el puesto 15 de 34.
Qwen3.8-27B ya pasó de la ficha técnica a tareas reales. Dos días después de que Alibaba publicara sus pesos, Simon Willison ejecutó una versión cuantizada de 17 GB en hardware local y logró que inspeccionara un repositorio, usara herramientas, escribiera y probara código, y localizara objetos dentro de imágenes. Las mismas pruebas mostraron la factura: entre 15 y 30 tokens por segundo y un modo de razonamiento xhigh capaz de gastar 22,276 tokens internos en un solo ejercicio. WildClawBench aportó otro dato independiente y lo situó en el puesto 15 de 34 modelos. El resultado respalda la idea de un agente generalista local, pero no la de un sustituto inmediato para los servicios alojados más rápidos.
El lanzamiento del 14 de agosto de 2026 ya había establecido la base: 27,000 millones de parámetros, licencia Apache 2.0, entrada de texto, imágenes y video, y una ventana nativa de 262,144 tokens. Nuestra cobertura anterior explicó también la diferencia de licencia y requisitos frente al gigantesco Qwen3.8-2.4T-A95B. Este seguimiento empieza donde terminó aquella comparación: qué ocurre cuando los pesos pequeños entran en una máquina y reciben trabajo de verdad.
Patricia Rodriguez
Una prueba local con archivos, herramientas y visión
Willison cargó el archivo Q4_K_M de 17 GB mediante LM Studio en dos equipos: una MacBook Pro con chip M5 Max y 128 GB de memoria, y una NVIDIA DGX Spark. Después conectó el modelo con Pi, un agente de programación cuyo sistema de instrucciones es relativamente corto, para reducir la carga que rodeaba al experimento.
En una primera tarea, Qwen3.8-27B recorrió varios archivos del repositorio de Datasette, utilizó herramientas para leerlos y explicó cómo funcionaba la autenticación del proyecto. Luego recibió un registro de sesión en formato JSONL y creó un programa en Python para convertirlo a Markdown. El modelo no se limitó a devolver código: también lo probó durante el mismo ciclo del agente.
La parte visual produjo una señal parecida. Qwen recibió la foto de dos pelícanos, devolvió coordenadas que rodeaban a ambos animales y después construyó una interfaz web para colocar esas cajas sobre cualquier imagen. Es una prueba manual de un solo operador, no una medición de fiabilidad a gran escala, pero reúne en una misma sesión las cuatro capacidades que suelen romper a los modelos locales: contexto largo, llamadas a herramientas, visión y generación de código.
El archivo de 17 GB no cuenta toda la memoria
Los 17 GB corresponden a una versión cuantizada, es decir, una compresión de los pesos que reduce su precisión numérica para ahorrar memoria. Esa cifra no incluye por sí sola todo lo que consume la ejecución: el contexto activo, la caché de atención, el procesamiento visual y el software que sirve el modelo también ocupan recursos.
El hardware de la prueba importa. Una Mac con 128 GB de memoria unificada y una DGX Spark están muy por encima de una laptop convencional, así que el experimento demuestra que el modelo cabe en equipo de consumo de gama alta, no que cualquier computadora pueda abrirlo con sus 262,144 tokens disponibles y conservar una velocidad cómoda.
La ficha oficial añade otro matiz. Qwen3.8-27B admite 262,144 tokens de manera nativa y puede extenderse hacia un millón mediante escalado de posición, pero disponer de esa ventana no significa que usarla completa sea barato en memoria o tiempo. Cada despliegue tendrá que decidir cuánto contexto reserva y qué parte del modelo descarga en CPU, GPU o memoria unificada.
El modo xhigh puede convertir una tarea breve en minutos
El razonamiento viene activado y xhigh es el nivel predeterminado. En una de las pruebas visuales de Willison, el modelo produjo 22,276 tokens de razonamiento antes de entregar 3,223 tokens finales y tardó 21 minutos. Al repetir el ejercicio sin razonamiento, terminó en 137 segundos, aunque el resultado visual perdió precisión.
La comparación muestra un intercambio concreto: bajar el razonamiento reduce la espera por respuesta, pero puede obligar al agente a corregir más errores. La propia documentación ofrece tres niveles, xhigh, medium y low, además de la opción de apagar el proceso. El ajuste adecuado depende de la tarea; generar un fragmento sencillo y revisar un repositorio completo no necesitan el mismo presupuesto de cómputo.
Willison midió entre 15 y 30 tokens por segundo con LM Studio. También obtuvo una mejora cercana al 72% al probar la predicción de múltiples tokens con llama.cpp, una función que permite anticipar varios tokens y verificar después cuáles son válidos. Ese porcentaje procede de su configuración y no es una promesa general, pero indica que el software de inferencia todavía puede recortar parte de la lentitud.
La prueba independiente modera las cifras de Alibaba
Alibaba reporta avances amplios frente a Qwen3.6-27B. En sus propias evaluaciones, el nuevo modelo alcanzó 61.7 puntos en SWE-bench Pro frente a 53.5 de su antecesor, y 73.0 en Terminal Bench 2.1 frente a 63.4. La tabla multimodal también le atribuye 38.6 en SWE-MM, por encima de 25.7 para Qwen3.6-27B.
Esas cifras requieren contexto. Varias pruebas usaron el entorno de Claude Code, una ventana de 256,000 tokens y líneas base que Qwen volvió a ejecutar sobre versiones corregidas de los benchmarks. QwenSWEBench y CoWorkBench son evaluaciones internas. Sirven para conocer el rendimiento bajo la metodología del proveedor, pero todavía necesitan más reproducción externa.
WildClawBench ofrece una lectura menos espectacular y más cercana a tareas completas. Su tabla actual ejecuta 60 trabajos en el mismo entorno OpenClaw y compara 34 modelos. Qwen3.8-27B obtuvo 48.0%, ocupó el puesto 15 y quedó apenas por encima de Muse Glimmer 30B de Meta, con 47.6%. También superó al Qwen3.6-27B, que marcó 43.2%, mientras el primer lugar llegó a 67.2%.
El equipo del benchmark ejecutó Qwen3.8-27B en un servidor propio con vLLM y no publicó un costo comparable por tarea. Un solo benchmark tampoco define la calidad general del modelo, pero acota la afirmación: el 27B completa una porción relevante de flujos agénticos reales y mejora a su antecesor, aunque todavía queda por debajo de varios sistemas alojados y de mayor tamaño.
Lo que Qwen3.8-27B cambia para la IA local
El atractivo no descansa en ganar todas las tablas. Está en reunir, dentro de un modelo denso de 27,000 millones de parámetros y con pesos Apache 2.0, entrada de texto, imagen y video, contexto largo, razonamiento configurable, herramientas y código suficientemente competente para cerrar tareas de varios pasos.
Para un desarrollador o una empresa, la ecuación también cambia. La ejecución local permite fijar una versión, modificarla y mantener los datos dentro de infraestructura propia. A cambio, el costo deja de aparecer como una tarifa por token y pasa a la compra del equipo, el consumo eléctrico, la administración del sistema y el tiempo que tarda cada trabajo.
Qwen3.8-27B cruza una frontera útil: un modelo de este tamaño ya puede ver, programar y usar herramientas dentro de un entorno local. Las pruebas también frenan el entusiasmo fácil, porque todavía exige memoria de gama alta, una configuración cuidadosa del razonamiento y tareas donde esperar varios minutos tenga sentido.
