阿里开源 Qwen3.6-27B：270 亿参数编程跑分反超 397B 大模型

Qwen3.6-27B 是阿里通义团队推出的 270 亿参数稠密模型，主打智能体编程与多模态推理。它采用完全开放的 Apache 2.0 协议，不仅能写前后端代码、理清整个项目仓库的逻辑，而且在多项主流编程基准测试里的表现，直接甩开了前代拥有近 4000 亿参数的 Qwen3.5-397B-A17B。

它能做到什么

这个模型专为实际开发场景优化，特别擅长处理跨多文件的仓库级代码修改和前端工程。在针对前端生成的 QwenWebBench 测试中，它拿下了 1487 分，远高于前代 Qwen3.5-27B 的 1068 分；在测试仓库级代码生成的 NL2Repo 上，它得到 36.2 分；而在衡量自主软件工程能力的 SWE-bench Verified 上，它跑出了 77.2 分，逼近 Claude 4.5 Opus 的 80.9 分。

除了常规推理，Qwen3.6-27B 支持在思考与非思考模式之间切换。这次它还加入了一项名为思维保留的机制。过去的模型在多轮对话中会丢掉之前的思考链，每轮都要重新推演；开启思维保留后，模型会在多轮交互中持续沿用历史思考轨迹，既减少了重复推理浪费的 token，也能大幅提升缓存利用效率。

它本身是个原生多模态模型，支持文本、图像与视频输入。原生上下文长度达到 262K，配合 YaRN 技术可以进一步扩展到 1M，看长代码文件或者超长日志基本没有压力。

混合架构与部署规格

能把 27B 稠密模型的性能和速度榨出来，核心在于它独特的混合注意力架构。在全部 64 层网络中，每四层里有三层采用了线性复杂度的 Gated DeltaNet，最后一层才是传统的门控注意力。这种设计大幅降低了长上下文下的计算开销，同时让键值缓存占用明显缩减。

模型还引入了多步训练的多 Token 预测技术，可以在推理时开启投机解码，成倍提升生成吞吐量。

官方在 Hugging Face 和 ModelScope 上同时发布了两个版本：BF16 全精度权重，以及采用 128 块大小精细量化的 FP8 版本。如果你要本地部署或做服务化，它已经原生兼容 vLLM、SGLang、KTransformers 和 Transformers。想先试试水，也可以直接去 Qwen Studio 网页端免部署体验。

为什么重要

对于独立开发者和企业工程团队来说，Qwen3.6-27B 是目前极具性价比的本地代码智能体底座。过去要跑出这种水平的编程能力，要么得依赖昂贵的闭源商业接口，要么得在服务器上硬顶数百亿激活参数的庞大 MoE 架构。现在一块消费级显卡配合 FP8 量化版本，或者几块主流显卡，就能把一个接近顶级商用水平的编程模型跑在本地私有环境里，代码不出内网的门槛被彻底打了下来。

我们认为，阿里这次走稠密小钢炮加线性混合注意力的路线非常聪明。它证明了在特定领域内，小尺寸稠密模型只要架构设计得当、后训练针对性够强，完全可以越级反超大它几倍的巨型架构。不过用户在部署时也需要留意，混合注意力机制和思维保留功能通常对推理后端的版本有硬性要求，需要跟进升级对应的运行环境才能发挥全部实力。