API Qwen3.8 27B
Diperbarui
Qwen3.8 27B berjalan di BroadNet Inference sebagai broadnet/qwen3.8-27b melalui https://inference.broadnet.ai/v1 yang kompatibel dengan OpenAI. Harganya US$0,175 input, US$0,0435 input cache, dan US$2,17 output per 1 juta token, dengan konteks 262.144 token. Perlu top up yang memenuhi syarat (bukan kredit awal), dan konten inferensi tidak disimpan.
Sekilas
- Text
- Vision (image input)
- Tool calling
- Reasoning
- Structured output
- Konteks 262.144 token
- Input teks dan gambar
- Tool, output terstruktur, dan penalaran
- Pengujian BroadNet: tulisan bahasa Arab yang lancar, memahami dialek Teluk dan Mesir, terjemahan Arab–Inggris yang akurat
| ID model | broadnet/qwen3.8-27b |
|---|---|
| Endpoint | /v1/chat/completions |
| Input yang didukung | teks, gambar (visi: memahami, bukan membuat) |
| Konteks | 262.144 token, prompt dan jawaban digabung |
| Input | US$0,175 per 1 juta token |
| Input cache | US$0,0435 per 1 juta token (hanya cache hit yang dilaporkan) |
| Output | US$2,17 per 1 juta token |
| Batas bayar sesuai pemakaian | 30 permintaan per menit, 4 permintaan bersamaan per kunci |
| Akses | Perlu top up: terbuka setelah top up yang memenuhi syarat; kredit awal tidak mencakupnya |
Harga di halaman ini berasal dari snapshot feed harga BroadNet tertanggal , tidak diperiksa secara langsung di sini. Lihat harga resmi (bahasa Inggris) untuk tarif terbaru.
harga resmi (bahasa Inggris)Laporkan harga atau angka yang salah (email ke info@broadnet.ai, sudah berisi tautan halaman ini; templatnya berbahasa Inggris, tetapi Anda boleh menulis dalam bahasa Indonesia).
Apa yang dipublikasikan BroadNet tentang Qwen3.8 27B?
Dari katalog model BroadNet (bahasa Inggris), diperiksa 15 November 2026. Hasil pengukuran adalah milik BroadNet, di perangkat kerasnya, kecuali jika disebutkan leaderboard publik; kami belum mereproduksinya.
| Dijalankan di lab BroadNet | GGUF Q4_K_M dengan proyektor visi dan draft model MTP di llama.cpp; AWQ INT4 di vLLM yang di-patch BroadNet untuk AMD ROCm |
|---|---|
| Konteks di API | 262.144 token (pricing.json) |
Hasil pengukuran BroadNet
- 55 token per detik pada satu stream dengan multi-token prediction, dan tingkat penerimaan MTP 92% di ROCm.
Cara BroadNet memilih dan menyajikan model: perangkat keras GPU dan cara penyajiannya dan model yang dievaluasi dan ditolaknya.
Berdampingan: Qwen3.8 27B vs DeepSeek V4.1 Flash (bahasa Inggris), Qwen3.8 27B vs GLM 5.3 (bahasa Inggris) dan Qwen3.8 27B vs BroadNet Gemma 4 VL 26B (bahasa Inggris), dengan harga, konteks, dan biaya beban kerja. Qwen3.8 27B juga dijual oleh 15 penyedia lain, mulai US$0,039 input dan US$1,25 output per 1 juta token di halaman harga mereka sendiri: harga API Qwen3.8 27B per penyedia. Teks yang sama menghasilkan jumlah token berbeda di setiap model: lihat perbandingan tokenizer Qwen3.8 27B untuk bahasa Arab, Inggris, dan kode di dataset efisiensi tokenizer (bahasa Inggris).
Panggil dengan Python
Instal OpenAI SDK dengan pip install openai, ekspor BROADNET_API_KEY, lalu jalankan:
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)Atau dengan 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."}]}'Qwen3.8 27B melakukan penalaran sebelum menjawab. Penalaran dihitung dalam max_tokens dan dilaporkan sebagai usage.completion_tokens_details.reasoning_tokens, di dalam jumlah token completion (output), jadi anggarkan sebagai output. Sisakan 1.000 token atau lebih, atau atur reasoning_effort ke low; jika tidak, jawaban bisa kembali kosong. Mengapa jawaban kembali kosong.
Panduan untuk Qwen3.8 27B
- Memakai OpenAI Python SDK dengan BroadNet Inference
- Memakai OpenAI Node.js SDK dengan BroadNet Inference
- Permintaan pertama ke BroadNet Inference dengan curl
- Streaming chat completions dan menangani koneksi terputus
- Kenapa model reasoning mengembalikan jawaban kosong
- Memakai LangChain dengan BroadNet Inference
- Memakai Cline dengan BroadNet Inference (provider OpenAI Compatible)
- Pakai Roo Code dengan BroadNet Inference (OpenAI Compatible)
- Memakai Continue dengan BroadNet Inference (config.yaml dan apiBase)
- Menambahkan BroadNet Inference ke opencode sebagai custom provider
- Menghubungkan Open WebUI ke BroadNet Inference
- Menambahkan BroadNet Inference ke LibreChat sebagai custom endpoint
- Memakai BroadNet Inference di n8n (kredensial OpenAI, Base URL)
- Memakai Vercel AI SDK dengan BroadNet Inference
- Mengarahkan LiteLLM ke BroadNet Inference (SDK dan proxy)
- Menjalankan OpenAI Agents SDK di BroadNet Inference
- Membaca faktur dan struk berbahasa Arab dengan model vision
- Zed dengan BroadNet Inference sebagai provider kompatibel OpenAI
- Memakai Kilo Code dengan BroadNet Inference (OpenAI Compatible)
- Menambahkan BroadNet Inference ke goose sebagai custom provider
- Pydantic AI dengan BroadNet Inference (OpenAICompatibleProvider)
- CrewAI dengan BroadNet Inference sebagai endpoint OpenAI kustom
- Memakai LlamaIndex dengan BroadNet Inference lewat OpenAILike
- BroadNet Inference di Dify lewat plugin OpenAI-API-compatible
- Jan dengan BroadNet Inference sebagai provider kompatibel OpenAI
- Hubungkan SillyTavern ke BroadNet Inference (Custom OpenAI-compatible)
- Pakai Spring AI dengan BroadNet Inference (OpenAI base-url)
- Memanggil BroadNet Inference dari Go dengan SDK openai-go
- Membangun agen LangGraph di BroadNet Inference
- Memakai pipeline dan agen Haystack dengan BroadNet Inference
- Pakai Semantic Kernel dengan BroadNet Inference
- Memakai agen Mastra dengan BroadNet Inference
- Mendapatkan output terstruktur dengan Instructor di BroadNet Inference
- Memakai DSPy dengan BroadNet Inference (atur model_type="chat")
- Mengevaluasi model BroadNet dengan promptfoo
- Jalankan smolagents di BroadNet Inference dengan OpenAIModel
- Menghubungkan Flowise ke BroadNet Inference (OpenAI Custom Model)
- Menghubungkan Langflow ke BroadNet Inference
Gunakan Qwen3.8 27B di konsol
Konsol BroadNet di inference.broadnet.ai mengelola akun dan kunci. Konsol tidak menerima pilihan Anda dari halaman ini, jadi:
- Masuk atau buat akun.
- Lakukan top up yang memenuhi syarat (kredit awal tidak mencakup model ini), lalu buat kunci bayar sesuai pemakaian.
- Kirim ID model ini sebagai
modelke/v1/chat/completions:broadnet/qwen3.8-27b
Buka konsol BroadNetEstimasi biayaBaca referensi API (bahasa Inggris)
Bandingkan Qwen3.8 27B
Pertanyaan umum
Apa ID model untuk Qwen3.8 27B?
Kirim broadnet/qwen3.8-27b sebagai model ke /v1/chat/completions. Base URL-nya https://inference.broadnet.ai/v1.
Berapa harga API Qwen3.8 27B?
US$0,175 input, US$0,0435 input cache, dan US$2,17 output per 1 juta token, dari saldo akun Anda.
Berapa context window Qwen3.8 27B?
262.144 token per permintaan, prompt dan jawaban digabung.
Bisakah saya memakai Qwen3.8 27B tanpa top up?
Tidak. Qwen3.8 27B terbuka setelah top up yang memenuhi syarat. Kredit awal mencakup BroadNet Gemma 4 VL 26B, BroadNet Transcribe Arabic, dan BroadNet Transcribe dan kunci per jam Gemma.
Apakah data saya disimpan?
Konten inferensi tidak disimpan: prompt, gambar, dan jawaban diproses hanya untuk permintaan tersebut. Metadata akun, penagihan, dan keamanan yang diperlukan, seperti waktu, jumlah token, dan biaya, disimpan sebagaimana dijelaskan dalam pernyataan privasi BroadNet. Baca caranya.
Baca sebagai MarkdownTanya ChatGPTTanya ClaudeTanya Perplexity