Qwen 3.8 27B di Alibaba eccelle ma di default «sovrappensa» le risposte
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Il modello vision-capable da 27 miliardi di parametri, rilasciato il 16 agosto 2026 con licenza Apache 2, mostra guadagni sui benchmark ufficiali ma imposta il reasoning su xhigh e tende a overthinking.
Sviluppi Ne abbiamo scritto di nuovo il 18 ago: Qwen 3.8 27B raggiunge 52 sull’Artificial Analysis Intelligence Index
Qwen 3.8 27B arriva con 27 miliardi di parametri, licenza Apache 2 e capacità visive. La documentazione imposta il reasoning su “extra high” di default. Nei test questo produce risposte più lunghe e analitiche del necessario. L’impatto è immediato per chi usa client che non espongono il controllo del reasoning: il modello prolunga la spiegazione anche quando si chiede sintesi1.
Firma il progetto il Qwen research lab di Alibaba. Il team presenta 3.8 27B come un salto rispetto a Qwen 3.6 27B e al modello a pesi chiusi Qwen 3.7-Plus. I numeri sono auto‑riportati. Servono verifiche indipendenti prima di consolidare la gerarchia interna alla famiglia Qwen1.
La prova ha usato due macchine: un MacBook Pro M5 Max con 128 GB di RAM e un NVIDIA DGX Spark. In entrambi i casi si è adottato LM Studio con una build quantizzata Q4_K_M da 17 GB in formato GGUF; sul DGX Spark si è eseguito anche llama-server in modo diretto. Nelle due configurazioni, il comportamento resta stabile: il default “xhigh” sopravvive al passaggio in GGUF e influenza lo stile di risposta1.
Il nodo operativo è il parametro di reasoning. La documentazione indica “xhigh” come livello predefinito. La build GGUF usata in LM Studio mantiene questa scelta. In sessione, il modello tende a spiegare i passaggi intermedi e a dilungarsi. Chi cerca sintesi deve intervenire sul settaggio, quando l’interfaccia lo consente1.
Il confronto con la generazione precedente resta cornice. Qwen 3.8 27B mira a superare 3.6 27B sui benchmark interni e, secondo i dati forniti dal team, si colloca davanti anche a Qwen 3.7‑Plus, che resta chiuso. Finché non arrivano misure terze, le posizioni vanno considerate provvisorie1.
Il punto aperto riguarda l’integrazione nei tool. Conta come i client trattano il parametro di reasoning e se lo espongono all’utente. Nel setup di prova, LM Studio con la build GGUF preserva il default del modello. Questo dettaglio incide sul risultato percepito, soprattutto quando servono risposte concise o a tempo stretto1.
Se i benchmark indipendenti confermeranno i guadagni dichiarati, l’attenzione potrebbe spostarsi dal punteggio alla manopola. Interfacce e wrapper che espongono chiaramente il livello di reasoning possono evitare prolissità predefinite e lasciare al contesto la scelta del carico cognitivo, senza penalizzare le prestazioni quando serve ragionare a fondo1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Il filo della storia
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.