Qwen 3.8 27B zdobywa 52 punkty w Artificial Analysis Index

Simon Willison donosi w krótkim wpisie na swoim blogu, że model Qwen 3.8 27B uzyskał wynik 52 punktów w rankingu Artificial Analysis Intelligence Index — teście mierzącym ogólne zdolności intelektualne dużych modeli językowych. To wynik identyczny z GPT-5.6 Luna (max) i tylko o jeden punkt niższy niż GLM-5.2 (max) oraz DeepSeek V4 Pro 0813 (max). Willison podkreśla, że różnica w liczbie parametrów między tymi modelami jest ogromna, co czyni wynik Qwena tym bardziej godnym uwagi.

Kluczowe wnioski

• Qwen 3.8 27B zdobył 52 punkty w Artificial Analysis Intelligence Index — tyle samo, co GPT-5.6 Luna (max).
• Model jest tylko o jeden punkt słabszy od GLM-5.2 (max) i DeepSeek V4 Pro 0813 (max).
• Według danych przywołanych przez Willisona, GLM-5.2 (max) liczy 753 mld parametrów, a DeepSeek V4 Pro 0813 (max) — 1,6 mld, podczas gdy Qwen 3.8 osiąga podobny wynik przy zaledwie 27 mld parametrów.
• Rozmiar Luny (GPT-5.6) nie jest znany, ale Willison zakłada, że model jest znacznie większy niż 27B.
• Autor nazywa Qwen 3.8 27B „naprawdę zdumiewającym modelem”.

Skromny rozmiar, wynik na poziomie liderów

Artificial Analysis Intelligence Index to zestaw testów porównawczych, który agreguje wyniki modeli AI w różnych zadaniach, tworząc jeden zbiorczy wskaźnik „inteligencji”. Zajęcie miejsca zaledwie punkt za czołowymi modelami przy wielokrotnie mniejszej liczbie parametrów jest w tej branży rzadkością — zwykle wyższe wyniki wymagają znacznie większych, kosztowniejszych architektur.

Willison zwraca uwagę na skalę tej dysproporcji: GLM-5.2 (max) to model liczący 753 miliardy parametrów, a DeepSeek V4 Pro 0813 (max) — według przywołanych przez niego danych — 1,6 miliarda. Qwen 3.8 27B, osiągając wynik niższy od nich o jedyny punkt, robi to przy zaledwie 27 miliardach parametrów. Nawet nieznana wielkość GPT-5.6 Luna (max), z którym Qwen zremisował, jest — jak zauważa Willison — „prawdopodobnie znacznie większa” niż 27 miliardów.

Taki rezultat wpisuje się w szerszy trend na rynku modeli AI: producenci coraz częściej stawiają na efektywność, próbując uzyskać maksymalną wydajność przy minimalnym rozmiarze modelu, co przekłada się na niższe koszty obliczeniowe i łatwiejsze wdrożenia lokalne.

Wcześniejsze zastrzeżenia Willisona wobec Qwen 3.8

To nie pierwsza wzmianka Willisona o tym modelu. Dzień wcześniej, 16 sierpnia 2026 roku, opublikował on wpis, w którym opisał Qwen 3.8 27B jako świetny model, który jednak domyślnie „przemyśla” zbyt wiele — czyli ma tendencję do nadmiernego, wydłużonego rozumowania nawet w prostych zadaniach. Wysoki wynik w Artificial Analysis Intelligence Index nie zmienia tego wcześniejszego zastrzeżenia, ale dodaje kontekst: model, mimo skłonności do przesadnego rozumowania, dostarcza wyniki porównywalne z dużo większymi konkurentami.

Willison, znany komentator branży LLM prowadzący popularny blog poświęcony sztucznej inteligencji, regularnie śledzi i porównuje kolejne wydania modeli z rodziny Qwen, GLM czy DeepSeek, publikując krótkie, ale merytoryczne analizy tego typu rankingów.

Podsumowanie

Wynik Qwen 3.8 27B w Artificial Analysis Intelligence Index pokazuje, że mniejsze modele mogą dziś konkurować z gigantami liczącymi setki miliardów parametrów, choć — jak wcześniej zauważył Willison — nie są wolne od własnych ograniczeń, takich jak tendencja do nadmiernego rozumowania.