Qwen3.6-27B가 공개됐다. 핵심은 단순히 "Qwen도 새 모델을 냈다"가 아니다. 2026년 로컬 AI 사용자에게 더 중요한 질문은 이것이다. 벤치마크에서 더 현대적으로 보이는 MoE 모델이 있는데도, 왜 27B급 dense 모델이 여전히 유력한 선택지인가.12
이번 Qwen3.6-27B는 그 질문을 피하지 않는다. 공식 자료 기준으로 이 모델은 27B dense 구조, 262K 기본 컨텍스트, 최대 약 101만 토큰 확장을 내세우며, 코딩과 저장소 단위 추론에서 Qwen3.5-27B와 Qwen3.6-35B-A3B를 모두 비교 대상으로 올려놨다.23 즉, 이건 신모델 발표이면서 동시에 "dense를 아직 기다릴 이유가 있나"에 대한 답변이기도 하다.
2026년에도 27B dense가 살아남는 이유
요즘은 "활성 파라미터가 적은 MoE가 더 빠르다"는 말이 너무 강해서, dense 모델이 구세대처럼 보이기 쉽다. 하지만 실제 로컬 운영에서는 속도만이 전부가 아니다.
27B dense의 장점은 먼저 예측 가능성이다. dense는 모든 토큰에서 같은 본체를 쓰기 때문에, 메모리 사용과 성능 저하 패턴이 비교적 읽기 쉽다. 반면 Qwen3.6-35B-A3B는 총 35B지만 토큰당 3B만 활성화하는 MoE 구조다.4 이 구조는 이론적으로 효율적이지만, 로컬 환경에서는 백엔드 지원, 양자화 품질, 툴콜 파서, 긴 세션에서의 안정성 같은 변수가 더 많이 끼어든다.
Qwen 팀도 배포 가이드에서 최신 vLLM, SGLang, KTransformers 같은 서빙 엔진 사용을 권장하고, 긴 컨텍스트를 유지하려면 최소 128K 정도는 확보하라고 말한다.24 이건 성능이 좋다는 뜻이기도 하지만, 반대로 말하면 "제대로 쓰려면 서빙 스택까지 맞춰야 한다"는 뜻이기도 하다.
로컬 사용자 입장에서 dense 27B가 매력적인 이유는 여기서 나온다. 더 단순하게 올리고, 더 단순하게 튜닝하고, 실패했을 때 원인을 더 빨리 찾을 수 있다. 벤치마크 표만 보면 이런 장점은 잘 보이지 않는다.
코딩 작업에서는 벤치보다 실패 방식이 더 중요하다
공식 수치만 보면 Qwen3.6-27B는 꽤 공격적이다. SWE-bench Verified 77.2, Terminal-Bench 2.0 59.3, NL2Repo 36.2로, 같은 표 안의 Qwen3.6-35B-A3B보다도 높은 점수를 기록했다.2 적어도 Qwen의 자체 평가 기준에서는 "작은 dense가 큰 MoE보다 느리지만 더 약하다"는 단순 구도가 아니다.
다만 여기엔 해석이 필요하다. 이 수치들은 내부 에이전트 스캐폴드, 200K~256K 컨텍스트, 다회 실행 평균 같은 조건 위에서 나온다.24 즉 "내 노트북에서 바로 저 성능이 난다"는 뜻은 아니다. 확인된 사실은 Qwen3.6-27B가 코딩 에이전트 계열 벤치에서 강하다는 것이고, 해석은 "dense 27B도 최신 코딩 워크로드에서 경쟁력이 있다" 정도까지가 안전하다.
실무적으로는 실패 방식이 더 중요하다. MoE는 짧은 질의응답이나 도구 호출 시작이 빠르게 느껴질 수 있다. 반면 긴 디버깅 루프, 저장소 전체 문맥 유지, 수정 후 재수정 같은 반복 작업에서는 dense가 더 일관되다고 느끼는 사용자가 많다. 이는 이번 Qwen3.6이 강조한 "thinking preservation", 즉 이전 메시지의 추론 맥락 보존 기능과도 연결된다.25 코딩은 한 번 잘 푸는 것보다, 20분 뒤에도 같은 문제를 같은 방향으로 밀고 가는 능력이 중요하기 때문이다.
반론도 있다. 이미 Qwen3.6-35B-A3B 같은 최신 MoE가 소비자급 장비에서 훨씬 빠르게 돌아간다는 점은 무시할 수 없다. Unsloth의 Qwen3.5 가이드도 과거 27B와 35B-A3B를 비교하며 "조금 더 정확하고 장비에 빠듯하면 27B, 더 빠른 추론이면 35B-A3B"라고 정리했다.6 이 기준은 Qwen3.6 세대에도 상당 부분 유효하다. 결국 dense 대 MoE는 우열이 아니라, 어떤 실패를 더 싫어하느냐의 문제다.
지금 기다릴지, 갈아탈지 판단하는 5가지 기준
Qwen3.6-27B를 봐야 하는 사람은 대체로 다섯 부류다.
첫째, VRAM이 넉넉하지 않지만 27B급 정확도는 포기하기 싫은 사람이다. dense는 "돌아는 가는데 품질이 이상하게 흔들리는" 상황보다, "안 돌아가면 안 돌아간다"가 더 분명한 편이다.
둘째, 양자화 민감도가 중요할 때다. 같은 4비트라도 dense는 품질 변화가 읽기 쉬운 경우가 많고, MoE는 라우팅과 백엔드 최적화 영향을 더 받을 수 있다. 이건 일반론에 가깝지만, 로컬 운영자는 이런 차이를 실제로 체감한다.
셋째, 오프라인 신뢰성이 중요할 때다. 코드 에이전트, 장시간 세션, 긴 컨텍스트 실험을 할수록 모델 자체보다 서빙 프레임워크와 설정의 영향이 커진다. 단순한 구조는 운영 난도를 낮춘다.
넷째, 긴 컨텍스트를 진지하게 쓸 때다. Qwen3.6은 262K 기본 컨텍스트를 제공하고 1M 확장도 지원한다고 밝힌다.2 다만 긴 문맥은 "지원"과 "쓸 만함"이 다르다. 긴 세션에서 토큰 처리량이 얼마나 안정적인지가 중요하다.
다섯째, 첫 토큰 속도보다 지속 생성과 후속 수정 일관성을 더 중시할 때다. 코딩에서는 첫 답변보다 세 번째 수정이 더 중요할 때가 많다.
그래서 판단은 이렇게 단순화할 수 있다.
빠른 체감 속도와 가벼운 구동이 최우선이면 최신 MoE를 본다.
긴 코딩 세션의 일관성과 로컬 운영 단순성이 더 중요하면 Qwen3.6-27B 같은 dense 27B가 더 똑똑한 선택일 수 있다.
이미 Qwen3.5-27B를 잘 쓰고 있다면, 이번 업그레이드 가치는 코딩 벤치 향상과 추론 맥락 보존에 있다.25
주말에 바로 판단하려면 거창한 벤치마크보다 세 가지만 보면 된다. 자기 코드베이스를 100K 이상 문맥으로 넣었을 때 구조를 유지하는지, 첫 수정 뒤 두 번째 수정에서 앞선 결정을 일관되게 이어가는지, 그리고 같은 양자화 조건에서 현재 쓰는 모델보다 디버깅 루프가 덜 흔들리는지다. 로컬 AI에서 좋은 모델은 "최신 모델"이 아니라, 내 장비와 내 작업 흐름에서 덜 무너지는 모델이다.
참고
1Qwen3.6-27B: Flagship-Level Coding in a 27B Dense Model
2Qwen/Qwen3.6-27B · Hugging Face
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.