Qwen3.8-27B en local : quand la densité se fait sentir

Il y a une façon de reconnaître quand un modèle est réellement en train de 'penser', et ce n'est pas la qualité de la réponse finale, c'est le temps qu'il met avant de l'écrire. Avec Qwen3.8-27B, ce temps se fait pleinement sentir, chaque seconde, tandis que le ventilateur de la carte graphique tourne un peu plus fort que d'habitude et que le curseur clignote dans l'attente. À une époque où tout le monde se précipite vers les Mixture of Experts pour aller plus vite, j'ai décidé de tenter l'expérience inverse : que se passe-t-il si l'on revient à un modèle qui active tout, toujours, sans raccourcis ?

Le 14 août 2026, l'équipe Qwen d'Alibaba, le Tongyi Lab, a sorti Qwen3.8-27B, un modèle dense multimodal de près de 27 milliards de paramètres, distribué sous licence Apache 2.0 en compagnie de son grand frère Qwen3.8-2.4T-A95B, la version de classe Max conçue pour les infrastructures agentiques lourdes. Comme le raconte l'annonce officielle sur le profil X de l'équipe Qwen, la promesse était de conserver ouverts les poids des deux tailles de la génération 3.8, la plus légère pour le déploiement local et la plus imposante pour ceux qui construisent des agents à l'échelle industrielle. Le dépôt officiel sur GitHub le décrit comme un modèle nativement multimodal, capable de dépasser Qwen3.7-Plus dans les flux de travail de bureau et la programmation, avec une fenêtre de contexte native de 262 000 tokens extensible jusqu'à un million via YaRN.

Après trois épisodes de cette série consacrés à des modèles Mixture of Experts, Qwen 3.6 35B A3B et Gemma 4 26B en tête, Qwen3.8-27B brise le schéma. Il n'active pas une fraction de ses paramètres pour chaque token comme le ferait un orchestre ne sollicitant que les musiciens de garde ; il les active tous, toujours, la totalité des vingt-sept milliards. C'est un retour de paradigme à un moment où l'industrie semblait avoir décrété que l'avenir des modèles locaux résidait dans des experts dispersés et des paramètres en sommeil. La question qui m'a poussé à le télécharger est simple : la puissance brute d'un modèle "entièrement activé" paie-t-elle réellement en matière de qualité, sur du matériel grand public, par rapport à l'économie d'énergie d'un MoE ?

Il y a également un détail technique qui mérite d'être signalé pour ceux qui travaillent sur de l'inférence professionnelle : selon une analyse technique publiée sur daily.dev, Qwen3.8-27B intègre de série une tête de prédiction multi-token conçue pour le décodage spéculatif (speculative decoding), avec des taux d'acceptation de l'ordre de 92 % en précision BF16 et de 85 % en FP8 sur des prompts courts. Un détail qui concerne surtout ceux qui l'exécutent sur des infrastructures serveur, mais qui montre à quel point le modèle a été conçu avec le souci de l'efficacité de l'inférence dès la fiche technique, malgré le choix d'une architecture dense.

Le laboratoire, en bref

Ceux qui suivent cette série connaissent déjà la machine ; ceux qui arrivent pour la première fois trouveront tous les détails dans le premier épisode consacré à Qwen 3.5, qui reste la référence méthodologique pour l'ensemble du projet. Je me bornerai ici à rappeler les chiffres essentiels : un AMD Ryzen 7700, 32 Go de RAM DDR5 et une carte graphique AMD Radeon RX 9060 XT avec 16 Go de VRAM, exactement la même configuration avec laquelle j'ai déjà mis à l'épreuve Qwen 3.5, Qwen 3.6, Gemma 4 et Ornith-1.0. Le logiciel reste LM Studio, choisi dès la première heure pour l'estimation chromatique des performances attendues—vert, orange, rouge—qui permet de comprendre d'emblée si un modèle tournera à l'aise ou à la limite de ses capacités.

Le dépôt non quantifié de Qwen3.8-27B pèse environ 55,6 Go, une taille qui exclut a priori toute exécution en pleine précision sur ma configuration. J'ai commencé les tests avec la quantification Q8, la plus fidèle disponible dans LM Studio pour ce modèle, et le résultat a été impraticable : environ 2 tokens par seconde, un rythme qui transforme chaque échange conversationnel en une épreuve de patience incompatible avec le moindre usage réel. Je me suis donc rabattu sur Q4KM, un compromis qui sacrifie la précision numérique au profit d'une vitesse enfin exploitable, entre 4,5 et 5,5 tokens par seconde selon les tests.

Les paramètres spécifiques de cette session : contexte réglé sur 130 000 tokens, un compromis qui exploite une bonne partie de la fenêtre native de 262 000 sans saturer la VRAM disponible ; offload GPU de 30 layers sur 65 au total, soit un peu moins de la moitié du modèle chargé sur la carte graphique et le reste confié à la mémoire RAM du système ; un pool de 8 threads CPU sur les 8 disponibles ; batch d'évaluation fixé à 2048 avec un batch physique à 512 ; et un maximum de 4 prédictions concurrentes. Une configuration de compromis assumé, conçue pour équilibrer vitesse et mémoire plutôt que pour traquer le pic de performance absolue.

Dense, multimodal, et particulièrement bavard

La différence d'architecture par rapport aux MoE testés lors des étapes précédentes n'est pas un simple détail sur une fiche technique ; c'est le prisme à travers lequel il faut lire chaque résultat de cet essai. Un modèle MoE comme Ornith-1.0-35B n'active qu'environ 3 milliards de paramètres sur 35 pour chaque token ; un modèle dense comme celui-ci les active tous, sans exception. Le coût en calcul est sans surprise : la vitesse chute nettement par rapport aux concurrents à experts mixtes essayés jusqu'alors dans cette série, mais la question ouverte demeure de savoir si cette dépense d'énergie se traduit par un raisonnement plus solide.

Sur le plan multimodal, Qwen3.8-27B est nativement conçu pour lire des images, un trait qui le distingue de modèles purement textuels comme Laguna XS-2.1, et qui lui permet de passer les tests visuels de cette série sans aucun réglage supplémentaire. Le contexte natif de 262 000 tokens, extensible jusqu'à un million avec YaRN d'après la documentation officielle, est théoriquement immense, mais j'ai préféré le borner à 130 000 pour cette session, une marge suffisante pour éprouver sa tenue sur de longs documents sans mettre à genoux la VRAM résiduelle après l'offload des layers.

Il y a aussi un trait de caractère qui s'est manifesté dès le premier prompt et qui a marqué toute la session : la verbosité. Qwen3.8-27B est nettement plus prolixe que les autres modèles passés sur ce banc d'essai, proposant des réponses plus longues, plus structurées, plus riches en détails même là où ce n'était pas strictement demandé. Ce n'est ni une qualité ni un défaut absolu ; tout dépend de ce que vous recherchez. Ceux qui souhaitent de la profondeur y trouveront leur compte ; ceux qui préfèrent une synthèse rapide pourront le trouver excessif.

Huit défis, un rythme différent

La batterie de tests reste identique à celle utilisée lors des étapes précédentes afin d'assurer un minimum de comparabilité qualitative entre des modèles de tailles et d'architectures différentes. Il ne s'agit pas d'un face-à-face au sens strict, mais plutôt de mesurer différentes températures avec le même thermomètre.

Test 1, raisonnement scientifique : le mécanisme de Higgs, note 5/5

Le test qui me sert de thermomètre général demandait au modèle d'expliquer le mécanisme de rupture de la symétrie électrofaible, le rôle du champ de Higgs et la raison pour laquelle les bosons W et Z acquièrent une masse alors que le photon n'en a pas. La réponse est arrivée articulée en quatre sections logiques, du problème de la masse dans la symétrie unifiée au potentiel en chapeau mexicain qui brise spontanément la symétrie, jusqu'au mécanisme par lequel W et Z acquièrent une masse et à la symétrie résiduelle qui protège le photon. Pédagogiquement parfait, avec des formules exactes accompagnées d'interprétations physiques précises, digne d'un manuel universitaire bien rédigé. Vitesse enregistrée : 5,64 tokens par seconde.

Test 2, multimodalité : un tableau Excel de piètre qualité, note 5/5

J'ai chargé une image volontairement floue d'un feuille de calcul, en demandant une description du contenu, des données principales et des tendances. Le modèle a lu correctement la structure, les valeurs numériques et les relations entre les colonnes, dégageant cinq tendances clés combinant saisonnalité, variation en pourcentage et évolution des commandes, pour proposer ensuite des pistes opérationnelles comme la révision du plan pour les mois d'été. Il a relevé de lui-même la corrélation inverse entre le nombre de commandes et la valeur moyenne, un détail que d'autres modèles testés dans cette série n'avaient pas relevé avec autant de netteté. Vitesse : 5,5 tokens par seconde ; une excellente robustesse visuelle malgré la mauvaise qualité du fichier de départ.

Test 3, génération de code : un problème NP-hard, note 4,8/5

La tâche consistait à implémenter en Python un algorithme permettant de trouver le cycle de longueur maximale dans un graphe non orienté, en expliquant sa complexité temporelle. Le modèle a produit une classe bien structurée proposant deux approches distinctes : une méthode exacte avec backtracking et élagage (pruning), et une méthode approchée pour les graphes de grande taille, faisant preuve d'une pleine conscience de la nature NP-hard du problème avant même d'écrire la moindre ligne de code. Le code comportait cependant deux défauts : une condition d'élagage redondante et un marqueur de débogage oublié par erreur en haut du fichier.

Invité à relire son travail sans indication spécifique sur ce qu'il devait chercher, il a identifié les deux problèmes et fourni une version corrigée, en expliquant pourquoi la condition redondante était potentiellement dangereuse en cas de modifications futures du code. La capacité d'autodiagnostic reste un point fort, mais les erreurs initiales pèsent sur la note. Vitesse : 5,7 tokens par seconde.

Test 4, planification multilingue : cinq jours au Japon, note 5/5

La consigne demandait un itinéraire de cinq jours au Japon pour un client français, avec un texte rédigé en français et une section de synthèse finale en italien. Le français produit était fluide et exempt d'erreurs, agrémenté de conseils pratiques sur les transports, la barrière de la langue et la cuisine de rue, ainsi que de références culturelles précises comme Tabelog pour les avis sur les restaurants, Omoide Yokocho pour l'ambiance rétro et Pontocho pour les ruelles traditionnelles de Kyoto. La section en italien était tout aussi soignée, exacte et plaisante à lire. Contrairement à d'autres modèles passés sur ce banc qui avaient connu des ratés linguistiques, il n'y a eu ici aucune erreur de langue. Vitesse : 5,42 tokens par seconde.

Test 5, contexte long : un PDF de 460 pages, note 4,8/5

J'ai chargé l'AI Index Report 2025, de plus de 460 pages, en demandant des informations sur la croissance de la génération vidéo ainsi que les pages exactes où les trouver. Le modèle a pointé avec précision vers les pages 126 et 127, en citant des figures précises du rapport et les principaux modèles du secteur : Google Veo, Meta Movie Gen, OpenAI Sora, Runway, Luma, Kuaishou, ainsi que le célèbre exemple du test "Will Smith mangeant des spaghettis" devenu un indicateur informel des progrès de la génération vidéo. La précision de la recherche reste excellente, même dans une configuration compressée. Seul regret, une coquille lexicale qui, sans gâcher la précision du travail technique, fait légèrement baisser la note. Vitesse : 5,75 tokens par seconde, la plus élevée enregistrée durant toute la session. Capture d'écran pendant les tests

Test 6, raisonnement spatial : la pièce en désordre, note 5/5

J'ai demandé une description de la photo d'une pièce en désordre et une proposition de stratégie de rangement. La description a balayé toutes les zones fonctionnelles—lit, sol, bureau, étagères—avec une stratégie d'intervention motivée de manière très pratique : la corbeille la plus encombrante doit être déplacée en premier, et le sol est la zone la plus urgente à désencombrer. Un conseil supplémentaire, la règle dite des trois secondes pour décider rapidement du sort de chaque objet ambigu, a apporté une touche de méthode que d'autres modèles n'avaient pas suggérée. La compréhension visuo-spatiale est très bonne, il a même remarqué les reflets dans le miroir, et la stratégie opérationnelle était bien structurée. Vitesse : 5,52 tokens par seconde.

Test 7, agent multi-étapes : une application web de gestion de dépenses, note 5/5

Le travail consistait à planifier le développement d'une application web de gestion de dépenses, en précisant la pile technique (stack), la structure du projet et la feuille de route pour une équipe de deux développeurs. La réponse a proposé un stack moderne avec React, NestJS, PostgreSQL et Prisma, une structure monorepo, une feuille de route en six sprints et une section dédiée aux problématiques transversales : fuseaux horaires, performances, sécurité, importation de CSV. La répartition du travail entre les deux développeurs était aussi détaillée que celle que proposerait un chef de projet expérimenté, avec des mentions très opportunes d'outils comme Docker, GitHub Actions et Resend, ainsi que des bonnes pratiques comme la mise en cache et le rate limiting. Vitesse : 5,12 tokens par seconde.

Test 8, conversation longue : quatre tours, note 5/5

Le dernier test a mesuré la tenue de la mémoire conversationnelle sur quatre tours portant sur le stack technique, les notifications, la base de données et la scalabilité d'une application de gestion de tâches. Le modèle a conservé une cohérence sans faille, se souvenant et justifiant chaque choix technique précédent, proposant une architecture hybride avec WebSockets pour les notifications in-app et l'email pour les événements synchrones, un schéma de base de données complet avec index stratégiques, et une feuille de route de scalabilité jusqu'à dix mille utilisateurs articulée en trois paliers progressifs. La vitesse a baissé—4,5, 4,57, 4,68 et enfin 4,28 tokens par seconde—, un ralentissement physiologique lié au gonflement du contexte accumulé, sans la moindre baisse perceptible dans la qualité des réponses.

Tableau récapitulatif

Moyenne des notes : 4,95 sur 5. Vitesse moyenne : environ 5,3 tokens par seconde.

Le penseur lent, et ce que cela signifie vraiment

Les chiffres racontent une histoire claire, mais il est utile de la regarder sous plusieurs angles avant d'en tirer des conclusions. Sur le plan de la qualité, Qwen3.8-27B a égalé, et dans certains passages dépassé en profondeur, les résultats obtenus par les modèles MoE testés lors des étapes précédentes, à la seule exception du test de code, pénalisé par des erreurs initiales corrigées ensuite après relance. La densité paie, de toute évidence, en matière de cohérence et de capacité de raisonnement sur des tâches isolées.

Sur le plan de la vitesse, en revanche, le constat est sans appel. Ornith-1.0-35B, un MoE ne mobilisant que 3 milliards de paramètres actifs par token, naviguait de manière stable entre 16 et 17 tokens par seconde sur la même machine. Qwen3.8-27B, dans sa configuration compressée Q4KM, s'est calé sur une moyenne de 5,3. C'est la différence entre lire un roman à un rythme naturel et devoir l'élever mot à mot—une expérience qui rappelle à certains égards Primer, le film indépendant de Shane Carruth devenu culte précisément pour sa densité narrative : magnifique, rigoureux, mais pas taillé pour ceux qui sont pressés d'arriver au générique de fin.

Il y a ensuite une question qui touche à ceux qui utiliseront réellement ce modèle. D'après les données diffusées par Alibaba et reprises par une analyse d'OfficeChai sur le lancement du modèle, sur CoWorkBench—le benchmark interne pour les tâches de productivité à long terme—, Qwen3.8-27B affiche 70,7 points, devant aussi bien Opus4.6 Max (bloqué à 68,2) que son prédécesseur Qwen3.6-27B (bloqué à 61). Ce sont des chiffres publiés par l'entreprise elle-même, qu'il faut donc lire avec la retenue due à tout benchmark auto-produit, mais qui confirment la tendance : le bond générationnel dans la qualité du raisonnement est bien là, peu importe la façon dont on le mesure.

Qui gagne et qui perd dans ce scénario dépend entièrement du profil d'utilisation. Ceux qui travaillent sur des tâches isolées et complexes—explications scientifiques, analyse de documents, planification détaillée—et qui peuvent se permettre d'attendre quelques secondes de plus par réponse générée, trouveront dans un modèle dense comme celui-ci un penseur plus fiable. À l'inverse, ceux qui recherchent un assistant conversationnel réactif pour un usage quotidien avec un fort volume d'échanges trouveront sans doute plus équilibré le choix d'un MoE comme Ornith-1.0, qui avait d'ailleurs décroché la note maximale de 5 sur 5 lors de l'étape précédente, sans payer le prix fort en matière de vitesse.

Reste une question ouverte que j'emporte pour la prochaine étape : quelle part de cet écart de vitesse et de ces légères bavures serait récupérable avec une quantification Q8, davantage de VRAM disponible et éventuellement la totalité du modèle chargé sur le GPU sans avoir à déporter la moitié des layers sur la mémoire RAM du système ? C'est le genre de question que cette série, née pour comprendre ce que l'on peut obtenir avec des moyens ordinaires, continuera de creuser épisode après épisode.

Verdict : Qwen3.8-27B est un modèle destiné à ceux qui ne sont pas pressés et qui recherchent la profondeur de raisonnement par-dessus tout, en sachant que sa nature dense se paie au prix fort en vitesse sur du matériel grand public. Si la réactivité est votre priorité, un MoE reste le choix le plus équilibré, quitte à laisser filer quelques points de qualité sur les tâches les plus ardues.

Note technique : toutes les vitesses indiquées sont exprimées en tokens par seconde (t/s) et mesurées localement avec LM Studio sur la configuration matérielle décrite dans le premier article de la série. Les notes sont des évaluations personnelles, et non des scores issus de benchmarks automatisés.