阿里巴巴千問（Qwen）系列最新旗艦 Qwen3.6-27B 於 2026 年 4 月 22 日晚間正式開源，這顆 27B dense 模型在 Terminal-Bench 2.0 以 59.3 分平 Claude 4.5 Opus，並以不到 1/14 的引數量，在 SWE-bench Verified 以 77.2 超越上一代 397B MoE 旗艦的 76.2。完整模型 55.6 GB、Q4_K_M 量化壓到 16.8 GB 可在消費級硬體跑起，讓 OpenClaw、Hermes Agent 等本地 agent 框架首次擁有一顆真正堪用的本地大腦。
（前情提要：被 Anthropic 點名封殺，OpenClaw 建議使用者改用 API Key 或換跑 Qwen、Kimi 等替代方案）
（背景補充：美國AI需要「審查」關進實驗室！中國則全力拋開源模型，為什麼？）
2026 年 4 月 22 日晚間，阿里巴巴千問團隊悄悄在 Hugging Face 推送了一顆炸彈：Qwen3.6-27B 正式開源，Apache 2.0 授權，任何人可自由商用。數字看似平凡，背後的意義不平凡——27B dense 架構（非 MoE），在終端 agent 測試首次追平 Anthropic 封閉旗艦 Claude 4.5 Opus，同時以 55.6 GB 的體積，打敗了需要 807 GB 視訊記憶體才能完整跑起的上一代 397B MoE 怪獸。本地部署、agent 能跑、消費級硬體裝得下，三個條件 Qwen3.6-27B 全部達到。
Benchmark 成績：三個最亮眼的結論
Qwen 團隊選了 10 項反映真實 agent 程式設計能力的基準測試，Qwen3.6-27B 的成績如下：
| Benchmark | Qwen3.6-27B | Qwen3.5-27B | Qwen3.6-35B-A3B | Qwen3.5-397B-A17B | Claude 4.5 Opus |
|---|---|---|---|---|---|
| SWE-bench Verified | 77.2 | 75.0 | 73.4 | 76.2 | 80.9 |
| SWE-bench Pro | 53.5 | 51.2 | 49.5 | 50.9 | 57.1 |
| SWE-bench Multilingual | 71.3 | 69.3 | 67.2 | 69.3 | 77.5 |
| Terminal-Bench 2.0 | 59.3 | 41.6 | 51.5 | 52.5 | 59.3 |
| SkillsBench Avg5 | 48.2 | 27.2 | 28.7 | 30.0 | 45.3 |
| QwenWebBench | 1487 | 1068 | 1397 | 1186 | 1536 |
| NL2Repo | 36.2 | 27.3 | 29.4 | 32.2 | 43.2 |
| Claw-Eval Avg | 72.4 | 64.3 | 68.7 | 70.7 | 76.6 |
| Claw-Eval Pass^3 | 60.6 | 46.2 | 50.0 | 48.1 | 59.6 |
| QwenClawBench | 53.4 | 52.2 | 52.6 | 51.8 | 52.3 |
三個關鍵結論值得單獨標出：第一，Terminal-Bench 2.0 59.3 平 Claude 4.5 Opus——這是 27B dense 模型首次在終端 agent 任務追上 Anthropic 封閉旗艦，而 Qwen3.5-27B 舊版只有 41.6，等於單代提升了 17.7 分。第二，SWE-bench Verified 77.2 超越 Qwen3.5-397B-A17B 的 76.2——27B dense 幹掉上一代 397B MoE 旗艦，模型體積從 807 GB 縮到 55.6 GB，縮小了 14 倍以上。第三，SkillsBench 從 27.2 衝到 48.2（+77%）、Claw-Eval Pass^3 以 60.6 超越 Claude 4.5 Opus 的 59.6——多輪、多步驟一致性是本次最大升級，代表模型在連續執行複雜 agent 任務時不容易中途崩潰或跑偏。
知識與推理方面同樣亮眼：MMLU-Pro 86.2、MMLU-Redux 93.5、GPQA Diamond 87.8、AIME 2026 94.1、LiveCodeBench v6 83.9，全面超越同引數量前代。
規格：消費級硬體裝得下的千億級效能
Qwen3.6-27B 是純 dense 架構，27B 引數量並非 MoE 的 active 引數，而是每次推理都完整啟動的真實引數。原生 context 長度 262,144 tokens，透過 YaRN 擴充套件最高可達 1,010,000 tokens（約 1M），對需要長檔案分析或跨倉庫理解的 coding agent 來說是剛需規格。完整精度模型 55.6 GB，若採用 Q4_K_M 量化，體積壓縮到 16.8 GB，24 GB 視訊記憶體的 Mac M 系列或消費級 GPU 均可直接載入。授權為 Apache 2.0，商業用途無需額外授權費。部署推薦 SGLang ≥0.5.10 或 vLLM ≥0.19.0，KTransformers 及 HF Transformers 亦支援。此外，Qwen3.6-27B 整合了 vision encoder，同時支援圖片、文字、影片理解，並非純文字模型。
為什麼是 OpenClaw 與 Hermes Agent 的本地大腦？
原始快訊點名了兩個 agent 框架：OpenClaw 與 Hermes Agent。OpenClaw 是廣受開發者歡迎的類龍蝦（Claude Code-like）本地 agent 應用，今年 4 月初遭 Anthropic 點名封殺——Anthropic 以違反服務條款為由限制帳號後，OpenClaw 官方建議使用者改走 API Key 方案，或切換到 Qwen、Kimi 等本地替代模型。Qwen3.6-27B 的開源，精準命中了這條替代路線的需求：本地跑得動、benchmark 追到 Claude 級、Apache 2.0 免費商用，三個條件缺一不可。
Hermes Agent 則是 NousResearch 主導的開源 agent 框架，強調「自我學習 skill」迴圈——execute、evaluate、extract、refine、retrieve 五步驟讓 agent 在執行任務後自動提煉技巧並存入記憶庫，下次遇到類似問題時直接呼叫。相比 OpenClaw 偏向直覺操作，Hermes Agent 更強調長期自主演化能力，支援 NousPortal、OpenRouter、NVIDIA NIM、LM Studio、Ollama 等多種後端接入。兩個框架的共同痛點都是：在本地跑一顆真正夠強的模型。Qwen3.6-27B 在 Claw-Eval（專為 coding agent 設計的評測集）以 72.4 平均分與 60.6 Pass^3 超越 Claude 4.5 Opus，給了這兩個框架一個可以認真考慮的本地選項。
開源 vs 封閉：阿里的路線布局與地緣格局
Qwen3.6-27B 的開源並非孤立事件。阿里稍早於 4 月 16 日開源了 Qwen3.6-35B-A3B（MoE 架構，35B 總引數、3B active），這次 27B dense 的開源則補齊了「本地可完整部署、無需 MoE 分片」的空缺；而 Qwen3.6-Plus 與 Qwen3.5-Omni 仍維持閉源，透過雲端 API 商業化。一開一閉，阿里的策略輪廓清晰：用開源建立生態與信任，用閉源旗艦變現。
更大的背景是這場中美 AI 開源競賽的格局翻轉。動區稍早報導，Meta 祖克柏傳下令放棄「開源 AI」路線，轉用阿里 Qwen 訓練付費人工智慧 Avocado——美國科技巨頭收縮開源、中國廠商全力拋開源，這個反向格局正在加速定型。對開發者與本地部署需求者而言，選擇正在從「要不要開源」變成「哪個開源模型最夠用」，Qwen3.6-27B 給了一個此刻看起來答案相當清晰的選項。
📍相關報導📍
重磅！Meta 祖克柏傳下令放棄「開源 AI」，轉用阿里巴巴 Qwen 訓練「Avocado」付費人工智慧
OpenRouter 分析 100 兆 Token 研報：人類到底用 AI 做什麼、中國模型崛起與使用者留存秘密
為什麼 AI 叫這些名字？Claude 致敬資訊之父、Grok 來自科幻小說、豆包就是豆沙包
