Alibaba lance Qwen 3.8-27B en open weights et surpasse le modèle rival de Meta

Alibaba ↗ 1.17% a lancé Qwen3.8-27B, un modèle multimodal dense de 27 milliards de paramètres sous licence Apache 2.0, tenant ainsi la promesse faite lors du lancement de la famille de modèles le 3 août d'ouvrir le code source de ses modèles compacts et phares en quelques semaines.officechai+1

Un modèle local défiant des rivaux plus imposants

Le lancement, effectif sur Hugging Face depuis le 14 août, propose une fenêtre de contexte native de 262 000 jetons, extensible à 1 million via YaRN, et est conçu pour fonctionner sur un seul GPU grand public lorsqu'il est quantifié en précision 4 bits. Alibaba a simultanément ouvert les poids de Qwen3.8-2.4T-A95B, la version mélange d'experts de classe Max avec 2,4 billions de paramètres au total et environ 95 milliards actifs par jeton.yottalabs+3

La comparaison qui attire le plus l'attention est celle avec le Muse Glimmer-30B de Meta ↘ 0.60%, un modèle local publié par Meta quelques jours plus tôt. Sur Terminal Bench 2.1, qui mesure le codage en terminal par agent, Qwen3.8-27B obtient un score de 73,0 contre 51,7 pour Muse Glimmer. Sur GPQA Diamond, un benchmark de raisonnement scientifique, il affiche 89,2 contre 83,5. Sur tous les benchmarks où les deux modèles ont été testés, Qwen3.8-27B est en tête.officechai

Une performance au-dessus de sa catégorie

Plus remarquable encore est la performance du modèle 27B face à des systèmes beaucoup plus vastes. Contre le Qwen3.7-Plus d'Alibaba, un modèle propriétaire plus grand, Qwen3.8-27B l'emporte sur la plupart des benchmarks, affichant 61,7 sur SWE-bench Pro contre 57,6 et atteignant 79,0 contre 59,2 sur QwenSWEBench. Face à l'Opus4.6 Max d'Anthropic, le modèle plus petit est à la traîne sur les tâches de raisonnement complexes, mais le bat sur SWE-bench Pro (61,7 contre 53,4) et sur le suivi d'instructions sur IFBench (79,5 contre 62,5).officechai

La catégorie la plus forte du modèle est le travail de bureau assisté par agent. Sur CoWorkBench, le benchmark d'Alibaba pour les tâches de productivité à long terme, il obtient 70,7, devançant les 68,2 de l'Opus4.6 Max.officechai

Contexte temporel et marché

Ce double lancement intervient alors que les modèles d'IA chinois gagnent du terrain à l'échelle mondiale. Les entreprises russes ont consommé 400 milliards de jetons de LLM chinois au premier semestre 2026, soit une multiplication par 11 par rapport à l'ensemble de l'année 2025, Qwen représentant à lui seul 261 milliards de jetons, selon le fournisseur cloud russe MWS Cloud. La stratégie de poids ouverts sous Apache 2.0 permet à Alibaba de capter l'adoption des développeurs aux deux extrémités du marché, des amateurs exécutant des modèles quantifiés localement aux équipes déployant le modèle complet de niveau Max pour une infrastructure d'agents en production.kursiv+2