Die Verfügbarkeit zuerst. OpenRouter listet das Modell am 20. August 2026 unter „Qwen: Qwen3.8 27B“ mit sieben Anbietern: Chutes, AkashML, Venice, Parasail, Reka AI, io.net und Alibaba Cloud Int. Die Seite nennt einen Kopfpreis von 0,40 US-Dollar je Million Eingabe-Token und 3,00 US-Dollar je Million Ausgabe-Token, ein Kontextfenster von 1.000.000 Token und eine maximale Ausgabe von 65.536 Token. ⚠️ Zwei Einschränkungen gehören dazu: Der Kontextwert von einer Million ist die per YaRN erweiterte Obergrenze, nicht der native von 262.144, den die Modellkarte nennt – und ein Marktplatzpreis ist kein Anbieterpreis. Wir übernehmen ihn deshalb in die Prosa des Katalogeintrags, aber nicht in die vergleichende Preisachse, in der Anbieter-API-Preise stehen. Preise je einzelnem Anbieter waren auf der Seite bei zwei getrennten Abrufen nicht auslesbar.
Der Betriebsbefund stammt von Simon Willison, datiert auf den 16. August 2026. Er fährt das Modell auf zwei Maschinen – einem MacBook Pro mit M5 Max und 128 GB sowie einem NVIDIA DGX Spark –, in beiden Fällen über LM Studio mit einem 17 GB großen Q4_K_M-Build. Der Pelikan auf dem Fahrrad braucht mit Denkmodus 21 Minuten, ohne ihn „137s—just over two minutes“. Für einen trivialen Auftrag („zeichne einen Kreis“) denkt das Modell ebenfalls minutenlang und liefert zwei überkomplizierte Fassungen. Ursache ist laut seiner Darstellung, dass Qwen die Aufwandsstufe `xhigh` als Voreinstellung dokumentiert und der LM-Studio-GGUF diese Voreinstellung übernimmt. Sein Gesamturteil fällt trotzdem positiv aus: „We can have an open weights general purpose model with a long context, effective tool calling, strong vision ability, and competent code generation“. Er prüft auch die Bildseite und lässt sich Begrenzungsrahmen für Pelikane auf einem Foto als JSON zurückgeben – mit präzisen Koordinaten.
Der zweite Bericht kommt aus dem Coding-Alltag und ist bemerkenswert, weil er eine Selbstkorrektur enthält. Der Kanal AI Coding Daily hatte das Modell nach einem ersten Versuch öffentlich abgeschrieben: Ein einzelner Prompt lief 15 Minuten ohne sichtbaren Fortschritt, kostete knapp einen Dollar und lieferte nichts. Im zweiten Anlauf am 20. August benennt er den eigenen Fehler – er hatte das Modell nicht lange genug denken lassen – und arbeitet 20 Prompts über vier Projekte ab (zweimal PHP/Laravel, einmal Dart/Flutter, einmal Go), gegen Prüftests, die das Modell nicht sieht. Ergebnis: in einem Projekt alle Randfälle bestanden, sonst 4 Fehler von 41, 1 von 48 und 1 von 19 Tests. Auf seinem eigenen Leaderboard landet das Modell bei Aufwandsstufe XHigh auf 12,15 von 20 Punkten. Der Betriebsaufwand dahinter: rund 23 Minuten je erfolgreichem Prompt, dazu nach eigener Angabe zehn bis fünfzehn Fehlläufe mit Neustart; 10 US-Dollar OpenRouter-Guthaben reichten für den ganzen Durchgang, die Einzelprojekte kosteten 89, 37, 18 und 18 Cent. Sein Fazit ist der Widerruf: „now I kind of need to take back my opinion … that we are way too early for local models in terms of quality. We're not.“
⚠️ Was hier nicht belegt ist. Die 12,15 von 20 stammen aus einem Leaderboard mit nicht offengelegter Methodik – eine Hausnote, keine übertragbare Messung; der Betreiber benennt selbst, dass ein bis zwei Punkte Unterschied bei ihm im Bereich statistischer Streuung liegen. Seine Beobachtung, OpenRouter wähle je Anfrage einen anderen Anbieter und Verfügbarkeiten von 97 bis 98 Prozent seien „not a guarantee that you will even get the answer“, haben wir nicht nachgemessen; auf der Anbieterseite war zu Verfügbarkeitsquoten bei unserer Kontrollfrage nichts auslesbar. Unberührt bleiben die Kennzahlen des Katalogeintrags: Der Intelligence-Index-Wert von 52 vom 18. August steht dort weiter als Benchmark und nicht in der vergleichenden Kennzahl-Achse, solange die katalogweite Neueichung der Artificial-Analysis-Werte offen ist.