#qwen와 관련된 AI·개발 뉴스를 최신순으로 모았습니다. 원문 출처와 한국어 요약을 함께 확인할 수 있습니다.
turbo3로 12GB VRAM 3080에서 Qwen3.6 35B A3B를 260k ctx로 약 40 tok/s 달성.
Qwen3.6에 preserve_thinking이 추가돼 추론 컨텍스트와 KV 캐시 효율을 개선한다.
Qwen 1.5B의 decoder head를 CHIP-8 opcode head로 바꿔 직접 실행했다.
Qwen3.6-35B-A3B가 로컬 노트북에서 Claude Opus 4.7보다 더 나은 펠리컨 SVG를 만들었다.
정제된 데이터에선 1.7B가 744B를 이겼지만, 노이즈 trace는 성능을 무너뜨렸다.
Qwen3.6가 frontend 워크플로와 repo 수준 추론을 강화해 출시됐다.
Qwen이 35B 총파라미터, 3B 활성화 MoE 모델을 Apache 2.0으로 공개했다.
Gemma 4 31B가 이미지 기반 3D 기하 테스트에서 경쟁 모델보다 적은 토큰으로 더 나은 결과를 냈다.
Qwen3.6-35B-A3B가 공개됐다.
3대 Mac mini로 Qwen2.5-0.5B-Instruct를 GRPO로 학습해 요약 품질을 비교했다.
24GB VRAM 환경에서 GGUF 양자화 모델들의 MMLU 점수를 비교했다.
RTX 5080·64GB Windows 11에서 Llama.cpp가 LM Studio보다 약 2배 빨랐다.
8개 verifiable e-commerce 환경에서 RL로 쇼핑 에이전트를 훈련한 결과.
Sentence Transformers로 멀티모달 임베딩과 reranker를 직접 학습하는 방법을 정리한다.
Qwen3-1.7B가 합성 데이터 미세조정만으로 GLM-5 744B를 앞섰다.
RTX 4060 Ti 16GB에서 Qwen3.5-35B를 64k로 40~60 tok/s 구동한 튜닝 기록.
Gemma4 26B와 E4B가 Qwen 3.5 라우팅/응답 품질 문제를 체감상 대체했다.
Qwen3.5 35B로 논문 기반 웹앱을 만들며 70~80K 컨텍스트 유지력을 확인했다.
stateless 실행을 버리고 attach 세션으로 바꾸자 3-agent 협업이 안정화됐다.
oMLX 최신 커밋에서 DFlash 최적화로 작은 컨텍스트 tg TPS가 크게 올랐다.
M2 Max에서 DTree가 DFlash보다 1.07배 빠른 MLX 결과를 보였다.
Ollama와 qwen2.5:7b로 개인 데이터 전체를 질의하는 메모리 RAG를 만들었다.
PinchBench 점수를 기준으로 OpenClaw용 모델을 역할별로 나눠 쓰는 방법을 공유한다.
Qwen2.5-0.5B-Instruct를 Reddit 요약 태스크에 GRPO로 학습했다.
AI Briefing