최근 Twitter/X AMA에서 나온 Qwen 개발자들의 답변

Qwen 씨, 왜 모델이 생각을 이렇게 많이 함? 내 AI 뇌가 궁금해함.
토큰 효율성은 어디 감?
그래도 모델은 훌륭함.

우리는 다양한 수준의 추론 노력을 지원함.

Qwen-scope로 코드 스위칭 고치는 SAE 기반 파인튜닝 보여줬잖아. 그런 해석 가능성 기반 개입이 이제 사후 학습 과정의 일부가 된 거임, 아니면 아직 연구용 기술임?

아직은 주로 연구용 기술임. 그래도 거기서 얻은 통찰들이 나중에 학습이나 사후 학습 개선에 도움은 될 거임.

어텐션(Attention)? 하이브리드?

모델 아키텍처는 3.5랑 비슷한데, 훨씬 더 큰 규모의 모델임!

CLI 코딩 인터페이스는 언제 나옴?

@qoder_ai_ide 여기 한번 확인해 봐.

너네 내부 툴로 Qwen 메인으로 씀? 이 모델도 OpenAI 모델들처럼 지능적인 징후를 보임? ("gpt 5.5가 5.6 만드는 걸 도왔다" 같은 거)

당연하지!

Qwen3.8-27B가 GPT 5.4랑 얼마나 비슷함? 🤔

음, 곧 직접 확인하게 될 거임.

Qwen이랑 제일 잘 맞는 하네스가 뭐임?

Qwen은 모든 하네스에서 최고의 경험을 제공하려고 노력 중임.

왜 최대 가중치를 오픈소스로 풀기로 한 거임?

커뮤니티에서 계속 요구하는 걸 들었으니까.

Fable5를 언제쯤 뛰어넘을 수 있을지 궁금함.

열심히 노력 중.

다들 고생 많음🥂

1. 새로운 모델이랑 그 기능들로 뭘 만들었으면 좋겠음!?

2. 애플리케이션 만들 때 에이전트 스웜 기법을 써보고 싶은데, 새 모델을 위한 모범 사례나 팁 좀 줄 수 있음!?

1. 다양한 산업 분야에 있는 사람들한테 실질적인 생산성 가치를 줄 수 있길 바란다.
2. 병렬 워크플로우가 많거나 병렬 실행이 필요한 작업에 쓰는 걸 추천한다.

FE(프론트엔드) 평가할 때 어떤 루브릭 지표 쓰는지 궁금함.

기능이랑 심미성에 대한 절대적인 지표도 쓰고, 승/무/패 비교에 기반한 상대적인 지표도 같이 씀.

에이전트 워크로드, 특히 긴 문맥 계획, 도구 사용 신뢰성, 코딩, 아니면 대규모 비용 측면에서 Qwen이 어디에 가장 강점이 있다고 보는지 궁금함.

위에 말한 거 다 합친 거임. 결국 사용자한테 가장 실용적이고 신뢰할 수 있는 결과물을 내놓는 게 목표니까.

Qwen 연구하는 데 Qwen이 얼마나 도움 됨?

이미 모델 반복 과정에서 핵심적인 부분이 됐음. 거의 모든 단계에 모델이 관여하고 있다고 보면 됨.

대부분의 최첨단 연구소들이 코드 전용 모델(예: Qwen3-Coder, GPT-5.3-Codex)을 만들긴 했는데, 그 뒤로 후속 작업은 안 하더라고.

전용 모델에 문제가 있었던 거임? 아니면 범용 모델이 충분히 효율적이라 굳이 따로 만들 필요가 없어진 거임?

우리는 올인원 모델을 만드는 게 목표임.

Qwen 3.8에는 로컬 에이전트 하네스에서 프롬프트별 튜닝 없이 모델을 바꿔 끼울 수 있게 안정적이고 문서화된 도구 호출(tool-calling)이랑 구조화된 출력(structured-output) 규격이 들어감?

다양한 프로토콜에 대한 네이티브 지원 인터페이스를 제공함. 자세한 건 Qwen 블로그 확인해보셈.

1: Qwen 27B를 로컬 배포용으로 양자화할 때(예: 4-bit GGUF, NVFP4, MXFP4), 어떤 트랜스포머 레이어나 비전 어텐션 블록이 성능 저하에 제일 민감함? 시각적 추론이랑 높은 SWE-bench 통과율을 둘 다 유지하려면 추천하는 전략이 따로 있음?

2: Qwen3.6-27B가 SWE-bench나 Terminal-Bench 같은 에이전트 코딩 벤치마크에서 훨씬 덩치 큰 MoE 모델들(Qwen3.5-397B 같은 거)보다 성능이 잘 나오던데. 단순히 데이터 양 말고, 이런 밀도 높은 효율성을 달성하게 해준 가장 결정적인 요인이 뭐임?

그리고 대단한 작업 해줘서 고마움. Qwen3.6-27B 몇 달째 내 메인 코딩 어시스턴트로 잘 쓰고 있음.

1. QAT를 쓰거나, 어텐션 레이어의 QKV 선형 투영이랑 출력 투영은 16비트로 유지하면서 FFN만 4비트로 양자화하셈.
2. 더 고품질의 데이터 엔지니어링.

님들, DeepSeek처럼 작고 싸면서 성능 개쩌는 모델은 언제 나옴? DeepSeek v4 flash 보니까 진짜 괜찮던데.
이제 스케일링은 좀 멈추고 기존 모델 효율성 개선에 집중할 때가 된 거 아님?

스케일링이랑 비용 효율성은 서로 배타적인 게 아님. 우리는 둘 다 계속 추구할 거임.

Qwen3.8-27B는 덴스(dense) 모델임? 그리고 3.6-27B보다 대충 얼마나 더 똑똑함?

엄청나게 점프했음!

좋네. 유용한 질문은 단순히 Qwen이 얼마나 성능이 좋냐는 게 아님.

여전히 어디서 실패하는지, 팀에서 그런 실패를 어떻게 평가하는지, 그리고 가중치, 도구, 재현성 측면에서 "오픈"이라는 게 실질적으로 무슨 의미인지 알고 싶음. 오픈 모델은 사람들이 한계를 검증하고 허락받지 않고도 그 결과물 위에 뭔가를 쌓아 올릴 수 있을 때 가장 가치가 있는 거니까.

자동화된 평가 시스템이랑 실제 사용자 경험 사이에는 아직 간극이 좀 있음. 그래서 우리가 프리뷰 버전을 먼저 내놓는 거임. 그래야 계속 수정하면서 결국 사용자한테 최상의 경험을 줄 수 있으니까.

새 27B 모델이 이전 모델이랑 비교하면 어떰?

엄청나게 점프했음!

루프드 트랜스포머(looped transformers)에 대해서는 어떻게 생각함?

흥미로운 연구 주제임.

왜 Qwen임? 왜 Qwen을 만들었고, 특히 왜 이렇게 가볍고 빠른 모델을 만든 거임? 남들은 다 깡성능(brute power)으로 갈 때 왜 효율성에 집중한 거임? 그리고 추론 엔진 최적화가 이제 한계에 다다른 거 같음, 아니면 아직 더 개선할 여지가 있다고 봄?

스케일링이랑 비용 효율성은 서로 배타적인 게 아님. 우리는 둘 다 계속 추구할 거임.

생각 모드(thinking mode)에서 모델이 멈추지 않고 추론 예산을 다 써버리는 경우가 있어서 지연 시간이 길어지는 걸 확인했음. 이거 알려진 문제임? Qwen3.8에서 개선할 계획 있음?

3.8 한번 써보셈! 그리고 3.8은 생각하는 강도를 조절할 수 있음!

70b 모델은 이제 완전히 끝난 건가요?

40-50B 모델(30-32Gb 정도면 들어가는 거)을 만들어서 성능을 좀 올릴 생각은 없나요? 웬만한 컴퓨터에서도 쓸 수 있게 말이죠.

qwen3.8 27b 가중치 공개해 준다니 진짜 고맙습니다! 혹시 qwen3.8 35b a3b도 나올 계획 있는지 궁금해요. 이거 원하는 사람 진짜 많거든요.

이번에 ~122B 모델도 기대해 봐도 될까요? 120B 라인업은 지금 너무 구식이라 성능도 별로인데, 제대로 된 모델 하나 나와주면 진짜 좋을 것 같아요!

우선 Qwen 3.8 출시 축하드려요!
질문 하나 하자면, Qwen 3.8도 35B a3b 버전으로 출시할 계획 있으신가요?

35b Moe 모델(3.8) 계획은 있나요?

omni 시리즈는 어떻게 된 건가요? 3.5 때 가중치 사이즈 다 알려줘 놓고는 결국 출시도 안 하고, 그 뒤로 아무것도 안 하셨잖아요. 3.6/7/8 버전도 나왔으면 좋았을 텐데. 신경 좀 써주고 가중치 작게 유지했으면 진짜 인기 많았을 모델인데 아쉽네요.

27b 말고 다른 모델은 출시 계획 아예 없는 건가요?
Qwen3 8b나 Qwen VL 8b 같은 갓모델들 후속작 소식도 듣고 싶어요...

0.6b나 8b 가중치 업데이트 계획은 있나요?
이 사이즈들이 이미지랑 영상 생성 분야 오픈 웨이트 모델에서 진짜 중요한 위치를 차지하고 있거든요. 이쪽이 어떻게 발전할지 기대하고 있습니다.

이번에 진짜 엄청난 릴리즈네요. 27B 모델까지 나와서 너무 기쁩니다! 근데 한편으론 궁금한 게, 3.5 때처럼 9B나 4B 같은 작고 밀도 높은(dense) Qwen 모델을 앞으로 다시 볼 수 있을까요?

qwen 3.5 시리즈처럼 더 작은 모델들도 출시하실 건가요?

qwen3.8 27b 가중치 공개해 준다니 진짜 고맙습니다! 혹시 qwen3.8 35b a3b도 나올 계획 있는지 궁금해요. 이거 원하는 사람 진짜 많거든요.

여러분의 의견 잘 들었습니다! 다들 요청하시는 내용들 모아서 다음 버전 계획할 때 참고할게요.

여러분의 요청 사항은 다음 업데이트 고려할 때 참고 자료로 쓰겠습니다.

의견 잘 들었습니다. 기대해 주세요.

다들 보내주시는 요청 사항들 모아서 다음 버전 계획할 때 반영하도록 하겠습니다.

확인했습니다. 요청하신 내용들 모아서 다음 버전에 뭘 할 수 있을지 고민해 볼게요.

계속 의견 보내주세요. 다 듣고 있습니다. 앞으로 업데이트 우선순위 정할 때 참고할게요.