Qwen 3.8 27B

Steckbrief

Verbrauch pro Request: (Input-Token + Output-Token) × Credit-Faktor, siehe Abrechnung.

Stärken

• Reasoning-Modus für mehrstufige Analysen und Schlussfolgerungen
• Zuverlässiges Tool Calling für Agenten-Workflows
• Stark bei Programmier-, Recherche- und Fachaufgaben
• Großes Kontextfenster (32.768 Token)

Schwächen

• Das Nachdenken kostet Zeit und erzeugt zusätzliche Output-Token (höhere Kosten pro Anfrage)
• Bei uns nur Text – kein Bild- oder Videoverständnis

Empfohlene Einsatzbereiche

• Komplexe Analysen und mehrstufiges Schlussfolgern
• Agenten mit Tool-Nutzung
• Auswertung längerer Dokumente
• Recherche- und Fachaufgaben

API-Hinweise

• reasoning_effort kennt low, medium und xhigh (Standard, wenn nichts gesetzt ist). high lehnt das Modell mit 400 ab.
• Für einfache Aufgaben den Denkmodus mit reasoning_effort: "none" ausschalten – das spart Zeit und Output-Token.
• Nur Text, keine Bildeingabe.

Beispiel

Den API-Key legst du im Portal unter API-Keys an, siehe Schnellstart.

curl https://api.promodelhub.de/v1/chat/completions \
  -H "Authorization: Bearer $PRO_MODEL_HUB_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3.8-27b",
    "messages": [{"role": "user", "content": "Erkläre in zwei Sätzen, was ein Sprachmodell ist."}]
  }'

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.promodelhub.de/v1",
    api_key=os.environ["PRO_MODEL_HUB_API_KEY"],
)

response = client.chat.completions.create(
    model="qwen3.8-27b",
    messages=[{"role": "user", "content": "Erkläre in zwei Sätzen, was ein Sprachmodell ist."}],
)
print(response.choices[0].message.content)

Reasoning

Der Denkmodus ist standardmäßig an. Ausschalten: "reasoning_effort": "none" oder "chat_template_kwargs": {"enable_thinking": false}. Den Gedankengang liefert die API getrennt von der Antwort in reasoning_content.

# Denkmodus ausschalten (standardmäßig an)
response = client.chat.completions.create(
    model="qwen3.8-27b",
    messages=[{"role": "user", "content": "Wie viele Montage hat der März 2027?"}],
    reasoning_effort="none",
)
message = response.choices[0].message
print(getattr(message, "reasoning_content", None))  # Gedankengang, falls eingeschaltet
print(message.content)                              # eigentliche Antwort