BroadRouter

Qwen3.8 27B API

Na-update

Tumatakbo ang Qwen3.8 27B sa BroadNet Inference bilang broadnet/qwen3.8-27b sa OpenAI-compatible na https://inference.broadnet.ai/v1. Nagkakahalaga ito ng US$0.175 input, US$0.0435 cached input at US$2.17 output kada 1M token, may 262,144-token na context. Kailangan nito ng qualifying top-up (hindi ang panimulang credit), at hindi itinatago ang inference content.

Sa isang tingin

  • Text
  • Vision (image input)
  • Tool calling
  • Reasoning
  • Structured output
  • 262,144-token na context
  • Text at image input
  • Tools, structured output at reasoning
  • Test ng BroadNet: maayos na pagsulat sa Arabic, naiintindihan ang Gulf at Egyptian dialect, tumpak na salin sa pagitan ng Arabic at Ingles
Presyo at mga limit
Model IDbroadnet/qwen3.8-27b
Endpoint/v1/chat/completions
Suportadong inputtext, larawan (vision: pag-unawa, hindi paggawa)
Context262,144 token, prompt at sagot nang magkasama
InputUS$0.175 kada 1M token
Cached inputUS$0.0435 kada 1M token (iniulat na cache hit lang)
OutputUS$2.17 kada 1M token
Mga limit ng pay-as-you-go30 request kada minuto, 4 sabay-sabay kada key
AccessKailangan ng top-up: magbubukas pagkatapos ng qualifying top-up; hindi ito sakop ng panimulang credit

Ang mga presyo sa page na ito ay mula sa snapshot ng price feed ng BroadNet na may petsang , at hindi live na sinuri dito. Tingnan ang ang opisyal na presyo (Ingles) para sa kasalukuyang rate.

I-report ang maling presyo o numero (email sa info@broadnet.ai, nakalagay na ang link ng page na ito).

Ano ang inilalathala ng BroadNet tungkol sa Qwen3.8 27B?

Mula sa ang model catalogue ng BroadNet (Ingles), sinuri noong Nobyembre 15, 2026. Sa BroadNet ang mga sukat, sa hardware nito, maliban kung may binanggit na pampublikong leaderboard; hindi pa namin ito inulit.

Ang inilalathala ng BroadNet tungkol sa model na ito
Serving sa lab ng BroadNetGGUF Q4_K_M na may vision projector at MTP drafter sa llama.cpp; AWQ INT4 sa patched na vLLM ng BroadNet para sa AMD ROCm
Context sa API262,144 token (pricing.json)

Mga sukat ng BroadNet

  • 55 token kada segundo sa iisang stream gamit ang multi-token prediction, at 92% MTP acceptance sa ROCm.

Paano pumipili at nagse-serve ng model ang BroadNet: ang GPU hardware at paraan nito ng pag-serve at ang mga model na sinuri at hindi nito tinanggap.

Magkatabi: Qwen3.8 27B vs DeepSeek V4.1 Flash (Ingles), Qwen3.8 27B vs GLM 5.3 (Ingles) at Qwen3.8 27B vs BroadNet Gemma 4 VL 26B (Ingles), may presyo, context at gastos ayon sa workload. Ibinebenta rin ang Qwen3.8 27B ng 19 iba pang provider, mula US$0.039 input at US$1.25 output kada 1M token sa sarili nilang pricing page: presyo ng Qwen3.8 27B API ayon sa provider. Magkaiba ang bilang ng token ng parehong text sa bawat model: tingnan kung paano ikinukumpara ang tokenizer ng Qwen3.8 27B sa Arabic, Ingles at code sa tokenizer efficiency dataset (Ingles).

Tawagin ito sa Python

I-install ang OpenAI SDK gamit ang pip install openai, i-export ang BROADNET_API_KEY, saka patakbuhin:

Python
from openai import OpenAI
import base64, os

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
image = base64.b64encode(open("invoice.jpg", "rb").read()).decode()

response = client.chat.completions.create(
    model="broadnet/qwen3.8-27b",
    max_tokens=2000,
    messages=[{"role": "user", "content": [
        {"type": "text", "text": "What is the total on this invoice?"},
        {"type": "image_url", "image_url": {"url": "data:image/jpeg;base64," + image}},
    ]}],
)
print(response.choices[0].message.content)

O gamit ang curl

curl
curl https://inference.broadnet.ai/v1/chat/completions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"broadnet/qwen3.8-27b","messages":[{"role":"user","content":"Reply with one short sentence."}]}'

Nagre-reason muna ang Qwen3.8 27B bago sumagot. Binibilang ang reasoning sa max_tokens at iniuulat bilang usage.completion_tokens_details.reasoning_tokens, kasama sa bilang ng completion (output) token, kaya i-budget ito bilang output. Mag-iwan ng 1,000 token o higit pa, o i-set ang reasoning_effort sa low, kung hindi ay puwedeng bumalik na walang laman ang sagot. Bakit bumabalik na walang laman ang sagot.

Mga gabay para sa Qwen3.8 27B

Gamitin ang Qwen3.8 27B sa console

Pinamamahalaan ng console ng BroadNet sa inference.broadnet.ai ang mga account at key. Hindi nito natatanggap ang pinili mo mula sa page na ito, kaya:

  1. Mag-sign in o gumawa ng account.
  2. Mag-qualifying top-up (hindi sakop ng panimulang credit ang model na ito), saka gumawa ng pay-as-you-go key.
  3. Ipadala ang model ID na ito bilang model sa /v1/chat/completions: broadnet/qwen3.8-27b

Buksan ang console ng BroadNetTantiyahin ang gastosBasahin ang API reference (Ingles)

Ikumpara ang Qwen3.8 27B

Mga tanong

Ano ang model ID ng Qwen3.8 27B?

Ipasa ang broadnet/qwen3.8-27b bilang model sa /v1/chat/completions. Ang base URL ay https://inference.broadnet.ai/v1.

Magkano ang Qwen3.8 27B?

US$0.175 input, US$0.0435 cached input at US$2.17 output kada 1M token, mula sa balance ng account mo.

Gaano kalaki ang context window ng Qwen3.8 27B?

262,144 token kada request, prompt at sagot nang magkasama.

Puwede ko bang gamitin ang Qwen3.8 27B nang walang top-up?

Hindi. Magbubukas ang Qwen3.8 27B pagkatapos ng qualifying top-up. Sakop ng panimulang credit ang BroadNet Gemma 4 VL 26B, BroadNet Transcribe Arabic, at BroadNet Transcribe at ang Gemma hourly key.

Itinatago ba ang data ko?

Hindi itinatago ang inference content: pinoproseso ang mga prompt, larawan at sagot para lang sa request. Itinatago ang kinakailangang metadata ng account, billing at security, gaya ng timing, bilang ng token at gastos, ayon sa privacy statement ng BroadNet. Basahin kung paano.

Basahin bilang MarkdownTanungin ang ChatGPTTanungin ang ClaudeTanungin ang Perplexity