Zunächst diese Zahl: SWE-bench Pro 53,5 vs. 50,9.
Ersteres ist der Wert von Qwen3.6-27B, einem 27B-Parameter-Modell, das am 22. April unter der Apache-2.0-Lizenz als Open Source veröffentlicht wurde. Letzteres stammt von Qwen3.5-397B, einem 397B-Parameter-Modell mit Mixture-of-Experts-Architektur (MoE), dem bisherigen Flaggschiff-Modell von Alibaba.
Ein kleines Modell mit 27 Milliarden Parametern schlägt ein großes Modell mit fast 40 Milliarden aktivierten Parametern in einem Softwareentwicklungstest – das ist keine Kleinigkeit.
Thinking Preservation: Das ist der entscheidende Punkt
Ehrlich gesagt, die Geschichte "weniger Parameter, mehr Leistung" hat man in dieser Branche schon mehrfach gesehen. Dass Qwen3.6-27B dieses Ergebnis erzielt, liegt nicht an der Kernarchitektur, sondern an einer neuen Funktion: Thinking Preservation (Denkerhaltung).
Es gibt ein übersehenes Problem bei Open-Source-LLMs: Wenn ein Agent mehrschrittige Aufgaben ausführt, wird der Reasoning-Prozess jedes Schritts verworfen. Das Modell muss jedes Mal von Grund auf neu schlussfolgern, anstatt bereits aufgebaute kognitive Pfade wiederzuverwenden.
Qwen3.6-27B geht anders vor: Es behält die "Denkspuren" aus historischen Nachrichten als persistenten Kontext bei:
"behält und nutzt Denkspuren aus historischen Nachrichten über die gesamte Konversation hinweg, anstatt vorheriges Reasoning zu verwerfen, und verbessert so die Effizienz in mehrschrittigen Agent-Workflows"
Einfach gesagt: Das Modell merkt sich, wie es zuvor gedacht hat, anstatt jedes Mal bei Null anzufangen.
Bei agentischen Codierungsaufgaben ist dieser Unterschied deutlich sichtbar. Bei der Bearbeitung desselben Code-Repositorys gibt es eine große Leistungslücke zwischen einem Modell, das sich an die Reasoning-Schlussfolgerungen der vorherigen Runde erinnert, und einem, das dies nicht tut. SWE-bench Pro testet ohnehin an realen Code-Repositorys, wodurch dieser Vorteil noch verstärkt wird.
Die vollständige Leistungsübersicht
Nicht nur SWE-bench: Qwen3.6-27B zeigt sich in vielen Bereichen stark:
| Test | Qwen3.6-27B | Vergleich |
|---|---|---|
| SWE-bench Pro | 53,5 | vs. Qwen3.5-397B MoE: 50,9 |
| Terminal-Bench 2.0 | 59,3 | Gleichauf mit Claude Opus Flaggschiff |
| AIME26 (Mathematik) | 94,1 | vs. Qwen3.5-27B: 92,6 |
| QwenWebBench | 1487 | vs. Qwen3.5-27B: 1068 (+39%) |
| SkillsBench Durchschnitt | 48,2 | 77% Verbesserung gegenüber Vorgängermodell gleicher Größe |
| GPQA Diamond | 87,8 | vs. Qwen3.5-27B: 85,5 |
Die 77% Verbesserung bei SkillsBench verdient eine gesonderte Erwähnung. Dieser Test misst domänenübergreifende allgemeine Fähigkeiten. Der Sprung von Qwen3.5-27B auf Qwen3.6-27B ist keine kleine Nachbesserung, sondern eine systemische Neustrukturierung.
Kontextfenster
Nativ werden 262.144 Token unterstützt (etwa 200.000 chinesische Zeichen), erweiterbar auf 1.010.000 Token mittels YaRN.
Für Szenarien, die lange Code-Repositorys oder umfangreiche Dokumente erfordern, ist dieses Kontextfenster ausreichend.
Was Open Source bedeutet
Apache-2.0-Lizenz, keine kommerziellen Einschränkungen.
Für Unternehmen ist dies praktischer als reine Leistungszahlen: Ein 27B-Parameter-Modell ist lokal wesentlich günstiger zu betreiben als ein 397B-Modell, erzielt aber bei Kernaufgaben höhere Punktzahlen – diese Kombination ist für Firmen, die eigene KI-Fähigkeiten aufbauen wollen, äußerst attraktiv. Bedenken Sie: Eine handelsübliche GPU kann ein 27B-Modell ausführen, während 397B mindestens mehrere High-End-GPUs erfordert.
Deshalb ist die 77%-Zahl bei SkillsBench so entscheidend: Das Modell ist nicht nur im Code-Bereich stärker, sondern seine allgemeinen Fähigkeiten haben sich umfassend verbessert – das ist die eigentliche Voraussetzung, um große Modelle zu ersetzen.
Die Lage in dieser Woche
Zufälligerweise hat OpenAI in dieser Woche GPT-5.5 veröffentlicht, Alibaba Qwen3.6-27B.
Betrachtet man beide Ereignisse zusammen: Das geschlossene Flaggschiff strebt nach "schneller und token-sparsamer", das kleine Open-Source-Modell nach "mit weniger Parametern bessere Ergebnisse erzielen". Die Richtungen sind unterschiedlich, aber beide drängen in den Raum des anderen.
Was als Nächstes auf den Kopf gestellt werden könnte, ist nicht unbedingt ein bestimmtes Unternehmen, sondern die Annahme, dass "man ein großes Modell braucht, um guten Code zu schreiben".
Quellenangabe: CocoLoop, Alibaba Qwen Team Releases Qwen3.6-27B: A Dense Open-Weight Model Outperforming 397B MoE on Agentic Coding Benchmarks (MarkTechPost)