✨︎ Resumen (TL;DR):
- Alibaba reportó que Qwen3.8-27B superó el millón de descargas en pocos días.
- Su repositorio principal marcaba 415,039 descargas del último mes; la conversión GGUF de Unsloth encabezaba la lista con 2.73 millones.
- Artificial Analysis lo puso primero entre 135 modelos abiertos de su tamaño, pero en el puesto 23 por tokens consumidos.
Alibaba afirmó que Qwen3.8-27B, su modelo de IA de pesos abiertos, superó el millón de descargas en pocos días. El 18 de agosto de 2026, el repositorio oficial de Hugging Face registraba 415,039 descargas del último mes, mientras el paquete GGUF de Unsloth, un tercero, acumulaba 2.73 millones. La versión con el mayor contador no la administra Alibaba.
El contador oficial y el tráfico de terceros
Alibaba presentó Qwen3.8-27B como uno de sus modelos de crecimiento más rápido, según reportó The Information. Pero el anuncio de la empresa y los contadores de Hugging Face miden cosas distintas. La plataforma cuenta las descargas del último mes por repositorio y no publica un total consolidado por modelo.
Cada ficha mantiene su propio contador. Por eso, una suma general reúne el archivo oficial y sus conversiones sin mostrar un desglose único. Para alguien que quiera descargarlo en México, España o cualquier otro país hispanohablante, la diferencia es directa: el archivo más popular no lo administra Alibaba.
El modelo salió el viernes 14 de agosto de 2026. La consulta del 18 de agosto ocurrió cuatro días después de la publicación de los pesos, así que esa ventana cubría casi toda la vida pública de Qwen3.8-27B.
Estos eran los cinco repositorios con más tráfico en esa fecha:
| Repositorio | Quién lo publica | Descargas del último mes |
|---|---|---|
unsloth/Qwen3.8-27B-GGUF |
Unsloth, tercero | 2,730,000 |
lmstudio-community/Qwen3.8-27B-GGUF |
LM Studio, tercero | 701,000 |
Qwen/Qwen3.8-27B-FP8 |
Alibaba | 496,000 |
Qwen/Qwen3.8-27B |
Alibaba | 415,039 |
ggml-org/Qwen3.8-27B-GGUF |
Equipo de llama.cpp, tercero | 169,000 |
Los dos repositorios de Alibaba, el archivo FP8 y el modelo base, reunían aproximadamente 911,000 descargas entre ambos, cerca del millón que anunció la empresa. Los 28 repositorios que aparecían en la primera página del listado sumaban 5.49 millones. Al agregar el archivo base, la cuenta llegaba a 5.9 millones. El listado completo tenía 18 páginas.
Cybernews contó más de 3 millones de descargas dentro de la plataforma durante el primer fin de semana. Ni Alibaba ni esa cobertura precisaron qué archivos estaban incluidos en esa suma.
Alibaba suma conversiones y derivados
El reparto tiene que ver con los formatos. Alibaba publica los pesos en safetensors, que consumen bibliotecas como Transformers, vLLM y SGLang. Quien quiere correr el modelo en una computadora personal suele buscar archivos GGUF, NVFP4 o MLX, compatibles con herramientas como LM Studio, Ollama y llama.cpp.
GGUF es un formato de archivo que herramientas como LM Studio, Ollama y llama.cpp leen para ejecutar modelos localmente. La comunidad convierte los pesos y sube esas versiones a repositorios propios. La licencia Apache 2.0 permite modificar y redistribuir el modelo sin pagar ni pedir autorización.
En cuatro días, esa mecánica produjo más de 500 versiones cuantizadas. La ficha del modelo listaba 514 versiones; minutos después, el filtro de la plataforma devolvía 531. Además, el catálogo incluía 105 ajustes finos y 26 adaptadores.
En su anuncio del 17 de agosto, Alibaba citó el informe de verano de Hugging Face para medir el alcance de la familia completa. Atribuyó a los modelos basados en Qwen 151,448 repositorios derivados en la plataforma, una huella de 2.6 veces la de Meta y 2,045 millones de descargas entre enero y julio de este año.
La cifra que Alibaba celebra corresponde a toda la familia, no a un único archivo.
El catálogo abierto también incluye versiones que sus autores identifican con etiquetas como “uncensored” o “abliterated”, es decir, con las salvaguardas retiradas. Las variantes de ese tipo que aparecían en la primera página sumaban 512,890 descargas, más que el repositorio base de Alibaba.
Cybernews reportó que uno de esos autores describe su versión como capaz de responder a peticiones dañinas, ilegales u ofensivas que el modelo original rechaza.
Artificial Analysis lo coloca primero, con más tokens
Artificial Analysis publicó el lunes 17 de agosto de 2026 su evaluación. Le dio 52 puntos en el Intelligence Index, un compuesto de nueve pruebas, y lo colocó en el primer lugar entre 135 modelos de pesos abiertos de entre 4,000 y 40,000 millones de parámetros. La mediana de esa categoría era de 9 puntos.
El South China Morning Post resumió la comparación: Qwen3.8-27B quedó a la par del GPT-5.6 Luna de OpenAI y cerca de los modelos chinos de pesos abiertos de mayor tamaño, GLM-5.2 de Zhipu y DeepSeek-V4-Pro-0813. Según ese diario, este último tiene 1.7 billones de parámetros, equivalentes a 1.7 millones de millones.
En el Agentic Index de la misma firma, también superó al GPT-5.6 Terra y al Claude Opus 4.8 de Anthropic.
La misma página añade un segundo dato sobre el consumo. Qwen3.8-27B ocupó el puesto 23 de 135 por tokens gastados: necesitó 160 millones de tokens para completar el índice, frente a una mediana de 43 millones en su clase. La diferencia equivale a 3.7 veces más texto interno para resolver el mismo examen.
Los rankings no coinciden porque usan métodos distintos. WildClawBench dejó al modelo en el puesto 15 de 34, con 48.0%, en pruebas prácticas. Artificial Analysis lo compara con modelos de pesos abiertos de un tamaño similar; WildClawBench ejecuta 60 trabajos completos en un solo entorno e incluye en la tabla sistemas alojados mucho más grandes.
Calidad comparable a la nube, con seis veces y media de espera
Tomasz Tunguz, socio de Theory Ventures, publicó el 18 de agosto de 2026 una comparación con el método declarado. Probó 25 tareas de su propio flujo de trabajo, entre ellas investigar startups, resumir artículos y transcribir podcasts. Un modelo juez calificó los resultados a ciegas sobre 9, con un límite de 4,096 tokens de salida; Tunguz ejecutó los modelos locales mediante Ollama sobre el mismo runtime.
En esas tareas, Qwen3.8-27B y el DeepSeek V4 Flash alojado en la nube empataron con 8.0 de 9. La ejecución local necesitó 369 tokens en promedio, frente a 159 en la nube, y tardó 7.2 segundos por tarea contra 1.1. La misma calidad implicó seis veces y media más de espera.
Según Tunguz, los modelos grandes memorizan más y saltan directo a la respuesta; los pequeños razonan casi desde cero para cerrar la brecha. El razonamiento viene activado de fábrica en el nivel xhigh, el más costoso de los tres que ofrece la documentación de Qwen.
En esas tareas reales de oficina, un archivo que cabe en una computadora de escritorio respondió con la misma calidad que un servicio alojado. La licencia Apache 2.0 permite explotarlo comercialmente sin pagar. La contrapartida aparece en los segundos de espera y los tokens consumidos.
Antes de instalarlo, conviene revisar la procedencia del repositorio. En la mayoría de los casos, el archivo que se descarga no lo firma Alibaba. El millón anunciado describe una familia de archivos y conversiones distribuidas en Hugging Face, no un solo paquete oficial.
