Qwen3.6-27B

Publié par Qwen le 21 avril 2026, Qwen3.6-27B est un LLM causal open-weights de 28 milliards de paramètres, distribué sous licence Apache 2.0 avec usage commercial autorisé. Il associe une fenêtre de contexte native de 262 144 tokens à un positionnement tarifaire très économique.

Le modèle intègre un encodeur de vision et combine Gated DeltaNet, FFN et Gated Attention, après pré-entraînement, post-entraînement et entraînement MTP multi-étapes. Ses poids et configurations au format Hugging Face Transformers sont compatibles avec Transformers, vLLM, SGLang et KTransformers. Le contexte peut être étendu jusqu’à 1 010 000 tokens.

Caractéristiques

Performances (benchmarks)

« Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench). Le rang est calculé parmi les LLM évalués sur le même benchmark.

Tarifs

Prix en dollars US par million de tokens.

Sa tarification se situe 86 % en dessous de la moyenne des LLM similaires, et 19 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.6 Sol, Gemini 3.5 Flash).

Coût & vitesse agentiques

Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.

Notre analyse

Forces. À sa sortie, Qwen3.6-27B figurait dans le top 13% des LLM de sa génération sur GPQA, ce qui le situait favorablement sur ce test. La classification d’e-mails constitue son résultat brut le plus élevé, tandis que le suivi d’instructions se place dans le premier tiers du classement associé. Son coût représente un avantage majeur : la tarification se situe 86% sous la moyenne des LLM similaires et environ 19,3 fois sous celle des modèles frontière. La licence Apache 2.0, les poids ouverts et la compatibilité avec plusieurs moteurs d’inférence facilitent les déploiements commerciaux. Le modèle prend aussi en charge des usages d’agentic coding, notamment les workflows frontend, le raisonnement à l’échelle d’un dépôt et la préservation du raisonnement issu des messages historiques.

Limites et points d’attention. Les classements LiveBench restent modestes en mathématiques, en programmation et en analyse de données, malgré des scores absolus relativement élevés. Le résultat consacré aux hallucinations se situe dans le bas du classement, ce qui appelle une validation des réponses dans les usages sensibles. Les capacités de programmation déclarées ne se traduisent donc pas par une position de premier plan sur LiveBench Coding. Qwen3.6-27B convient surtout aux déploiements recherchant un contexte très long, des poids ouverts et un coût réduit, avec contrôle des sorties lorsque la fiabilité factuelle est déterminante.

Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai) · LiveBench (livebench.ai) · Benchable.ai (benchable.ai).