Los usuarios informan que el modelo Qwen3.6 27B 8K a veces deja de procesar después de generar una llamada de herramienta, especialmente cuando el usuario se aleja. El problema se puede resolver pegando manualmente la llamada de herramienta de nuevo en el prompt, permitiendo que el modelo reanude la ejecución. La llamada de herramienta implica una función bash para encontrar pruebas que pasan en una base de código.
Problema de llamada de herramientas en Qwen3.6 27B 8K de código abierto
El lanzamiento de Qwen 3.8 Max destaca planificación, simplificación y diseño experimental
El lanzamiento completo de Qwen 3.8 Max confirma las primeras impresiones de que el modelo es excepcionalmente rápido, altamente capaz en planificación y hábil para identificar complejidad innecesaria en los problemas.
Qwen3.6-27b-mtp-q8 crea una implementación de búsqueda de caminos A* mediante pruebas autónomas
El modelo Qwen3.6-27b-mtp-q8 generó con éxito una implementación de búsqueda de caminos A* para un juego de prueba basado en Java usando Claude Code localmente. El proceso involucró casi 12 horas de desarrollo iterativo donde el modelo creó y ejecutó autónomamente un conjunto de pruebas.
Qwen3.6-27B con 3-Critic Harness iguala la calidad de frontera
Un usuario probó Qwen3.6-27B (8-bit) junto a GLM5.2 utilizando un harness de codificación que emplea tres críticos—revisión de código, revisión de pruebas y Playwright e2e—para validar la calidad de la salida.
Qwen lanza MoE de 35B parámetros para simulación de entornos de agentes
Qwen ha lanzado Qwen-AgentWorld-35B-A3B, un modelo MoE de 35B parámetros con solo unos 3B parámetros activos por token. Está entrenado para simular respuestas de entornos MCP, terminal, ingeniería de software, Android, web y GUI del sistema operativo, prediciendo las siguientes observaciones después de las acciones del agente, lo que permite un entrenamiento eficiente del agente y la simulación del entorno sin ejecución real de herramientas.
CORTIS: Adaptación de Modelos de Lenguaje Hablado Solo con Texto
CORTIS permite que los agentes de voz orientados a tareas generen salidas de habla estructuradas mediante el ajuste fino de modelos de lenguaje hablado utilizando únicamente supervisión de tareas en formato texto. Supera a las cascadas ASR-LLM bajo degradación acústica, especialmente en la preservación de la semántica de alto nivel de la tarea, sin requerir anotaciones emparejadas de habla-objetivo durante el entrenamiento.