Qwen3.8-27BがApache 2.0で公開、4bit量子化なら24GBのGPU1枚で動く

2026年8月21日

この記事のポイント

いつ：2026年8月14日にAlibabaのQwenチームがオープンウェイトで公開しました
何が：270億パラメータのdenseモデル「Qwen3.8-27B」です。ライセンスはApache 2.0で、商用利用・改変・再配布が可能です
誰に：手元のGPUやMacでモデルを動かしたい開発者です。4bit量子化なら24GBクラスのGPU1枚が実用ラインです
なぜ重要：SWE-bench Proでは手元で動く27Bモデルがクローズドの旗艦級と同じ土俵に並びました（いずれもAlibaba自社計測。Terminal-Bench・GPQAでは下回ります）
読者は何をすべきか：入手はHugging Face（Qwen/Qwen3.8-27B）かModelScopeの公式配布から行ってください。「AlibabaCloud-Official」を名乗るリポジトリは公式ではありません

270億パラメータのdenseモデルが公開3日で300万ダウンロードを超えた

Qwen3.8-27Bは、公開直後にHugging Faceのトレンド1位に立ち、公開から3日で累計ダウンロード数が300万回を超えました（Cybernews報道による数字で、他媒体は異なる数値も報じています）。オープンウェイト（学習済みの重みが配布され、手元で動かせる形態）のモデルとしては異例の立ち上がりです。

背景には構成の分かりやすさがあるとみられます。270億パラメータのdenseモデル、つまり推論のたびに全パラメータを使う素直な構造で、一部の専門家ネットワークだけを起動するMoE（Mixture of Experts）と違い、必要メモリの見積もりが立てやすい構造です。

加えて画像とテキストを同時に扱うvision-language（マルチモーダル）対応を備えています。ただしベンチマーク・ハードウェア要件は主にテキスト用途で計測されたもので、画像入力時の挙動は本稿執筆時点で未検証です。

比較として、同じくオープンウェイトで公開されたKimi K3は、実用にH200が12〜16基必要とみられる規模でした。27Bという控えめなサイズは、個人が手を出せる境界線の内側にあります。

4bit量子化なら24GBのGPU・Macが実用ライン

結論から言えば、24GBクラスのGPU（RTX 4090等）1枚、あるいはメモリ24GBのMacが実用ラインです。

前提となるのが4bit量子化です。モデルの重みを本来の精度から4ビットに圧縮して必要メモリを削る手法で、精度は多少落ちる代わりにサイズがおよそ4分の1になります。ただし公称の使用量は出典によって14〜19GB程度と幅があり、単一の数値で断定できる状況ではありません。

注意点として、この数値は重みの分だけです。実際には入力文脈を保持するKVキャッシュの分が別途必要で、長い文脈を扱うほど上積みされます。24GBは「ちょうど載る」ではなく「余裕をどう配分するか」の話だと考えたほうが安全です。

量子化の刻み方でメモリ要件が変わる事情は、Metaが24GB／32GBに振り分ける量子化2種を用意した事例と同じ構図です。

コミュニティによる量子化版（Unsloth版・LM Studioコミュニティ版等）がGGUF形式（量子化済みモデルの重みを1ファイルにまとめる配布形式）などで公開されているとみられ、Unsloth版は約200万ダウンロード、LM Studioコミュニティ版は約50万ダウンロードと報告されています（出典: BIGGO・単一系統のため参考値）。

Ollama・LM Studio・llama.cppといった一般的なローカルLLM実行環境で扱える可能性が高く、公式配布の重みをそのまま使うよりこれらの量子化版から試すのが現実的です。

ネイティブ262,144トークン、YaRNで最大100万トークンまで伸ばせる

コンテキスト長はネイティブで262,144トークン。さらにYaRN（学習済みモデルの位置エンコーディングを補間して対応長を伸ばす手法）を使うことで、最大100万トークンまで拡張できます。

長大なコードベースや資料群をまとめて読ませる用途では、この上限が効いてきます。ただし前述のとおり、文脈を伸ばすほどKVキャッシュがメモリを食う点は変わりません。

SWE-bench Proで61.7点、Terminal-BenchとGPQAはOpus 4.6に届かず

ベンチマーク結果は「一部で勝ち、一部で届かない」という分かれた形です。以下の数値はすべてAlibabaの自社計測であり、第三者による独立再現は本稿執筆時点で公表されていません。

ベンチマーク	Qwen3.8-27B	Claude Opus 4.6	差
SWE-bench Pro（コード修正）	61.7	53.4	+8.3
Terminal-Bench 2.1（ターミナル操作）	73.0	78.2	−5.2
GPQA Diamond（専門知識QA）	89.2	91.3	−2.1

読み取れるのは、実際のリポジトリに対するコード修正タスク（SWE-bench Pro）で明確に上回っている一方、ターミナル操作の一連の手順を最後まで通す能力と、大学院レベルの専門知識では届いていないという分布です。手元で動く27Bのモデルがクローズドの旗艦モデルと同じ土俵に並ぶ項目が出てきたこと自体が変化と言えます。

前世代Qwen3.6-27B比ではTerminal-Bench 2.1が+9.6点、SWE-bench Proが+8.2点

同一系列の前世代であるQwen3.6-27Bとの比較では、Terminal-Bench 2.1が+9.6点、SWE-bench Proが+8.2点の向上です（出典: yottalabs.ai・kingy.ai。いずれもAlibaba公表値の集計で確度は中程度）。

同じパラメータ規模での世代間の伸びなので、ハードウェア要件を据え置いたまま性能が上がったことになります。既にQwen3.6-27Bをローカルに置いている読者にとっては、そのまま置き換えられる範囲の更新です。

Apache 2.0なのは27Bだけ、2.4兆パラメータのQwen3.8-Maxは独自ライセンス

ここは混同しやすいので明確にしておきます。Apache 2.0が適用されるのは27Bであり、同時期に公開された旗艦モデル「Qwen3.8-Max」は別モデルで、独自ライセンスです。

Apache 2.0は、商用利用・改変・再配布を広く認めるオープンソースライセンスです。自社サービスへの組み込みやファインチューニング後の再配布も条件を満たせば可能で、27Bが注目される理由の相当部分はここにあります。

一方のQwen3.8-Maxは総パラメータ2.4兆のMoEモデルで、ライセンス条件が異なります。「Qwen3.8がApache 2.0で公開された」という要約は不正確です。オープンウェイト化されても提供範囲がモデルごとに異なる例は他にもあります（MiniMax H3は一部機能がAPI側に残りました）。同様に、どの型番に何が適用されるかは個別に確認する必要があります。

配布はHugging FaceとModelScope、「AlibabaCloud-Official」を名乗るリポジトリは公式ではない

入手経路は、Hugging FaceのQwen/Qwen3.8-27BとModelScopeの2つです。ソースコード側の公式リポジトリはQwenLM/Qwen3.8（Alibaba Group公式org・star数3,882・2026年8月20日時点）になります。

注意が必要なのは、「AlibabaCloud-Official/Qwen3.8-27B」を名乗るリポジトリが存在する点です。これは公式ではありません。2026年8月14日作成・star数23（同時点）という実態は、star数3,882の公式org（QwenLM）とは規模が大きく異なります。本記事ではリンクを張りません。

対処はシンプルです。組織名がQwenないしQwenLMであることを確認してから取得してください。公開直後で注目が集まっているモデルほど、名前の近いリポジトリが現れやすくなります。