Qwen3.5-397B-A17B est-il disponible sous forme de poids ouverts pour un hébergement local et la recherche ?

Oui. Les poids de Qwen3.5-397B-A17B sont publiés sous licence Apache-2.0 sur Hugging Face et ModelScope, et le projet fournit des configurations de déploiement pour Transformers, vLLM et SGLang.

Que signifie le suffixe "A17B" dans Qwen3.5-397B-A17B ?

A17B indique que la conception de routage sparse du modèle utilise environ 17 milliards de paramètres actifs par jeton (experts actifs), tandis que la capacité globale du modèle est d’environ 397 milliards de paramètres.

Quelle est la fenêtre de contexte native et puis-je l’étendre pour des documents très longs ?

Le modèle est fourni avec une longueur native de séquence d’entrée de 262 144 jetons et inclut des méthodes documentées pour étendre le contexte à environ 1 010 000 jetons via la mise à l’échelle YaRN/RoPE, selon le framework d’inférence utilisé.

Quelles modalités d’entrée Qwen3.5-397B-A17B prend-il en charge ?

Il s’agit d’un modèle unifié vision-langage entraîné avec une fusion précoce ; les entrées prises en charge incluent le texte, les images et les jetons vidéo pour le raisonnement et la génération multimodaux.

Comment l’efficacité d’inférence se compare-t-elle à celle d’un modèle dense 17B ?

Le calcul d’inférence par jeton est similaire à celui des modèles denses de classe 17B grâce au routage sparse MoE, mais les artefacts du modèle et les besoins en mémoire sont plus importants, car l’ensemble des poids doit être stocké et distribué sur plusieurs appareils.

API qwen3.5-397b-a17b Abordable | text-to-text

Spécifications techniques de Qwen3.5-397B-A17B

Élément	Qwen3.5-397B-A17B (poids ouverts, post‑entraîné)
Famille de modèles	Qwen3.5 (série Tongyi Qwen, Alibaba)
Architecture	Mixture-of-Experts (MoE) hybride + Gated DeltaNet ; entraînement multimodal à fusion précoce
Paramètres totaux	~397 milliards (total)
Paramètres actifs (A17B)	~17 milliards actifs par jeton (routage clairsemé)
Types d’entrée	Texte, Image, Vidéo (fusion précoce multimodale)
Types de sortie	Texte (conversation, code, sorties RAG), image‑vers‑texte, réponses multimodales
Fenêtre de contexte native	262,144 jetons (ISL native)
Contexte extensible	Jusqu’à ~1,010,000 jetons via mise à l’échelle YaRN/ RoPE (dépend de la plateforme)
Jetons de sortie max	Dépend du framework/serveur (des guides montrent 81,920–131,072)
Langues	200+ langues et dialectes
Date de publication	16 février 2026 (publication à poids ouverts)
Licence	Apache‑2.0 (poids ouverts sur Hugging Face / ModelScope)

Qu’est-ce que Qwen3.5-397B-A17B

Qwen3.5-397B-A17B est la première publication à poids ouverts de la famille Qwen3.5 d’Alibaba : un grand modèle fondation multimodal à mixture d’experts, entraîné avec des objectifs vision–langage à fusion précoce et optimisé pour des workflows pilotés par des agents. Le modèle expose la pleine capacité d’une architecture à 397B paramètres tout en utilisant un routage clairsemé (suffixe « A17B ») de sorte qu’environ ~17B paramètres seulement sont actifs par jeton — offrant un équilibre entre capacité de connaissances et efficacité d’inférence.

Cette version est destinée aux chercheurs et aux équipes d’ingénierie qui ont besoin d’un modèle fondation multimodal, ouvert et déployable, capable de raisonnement en long contexte, de compréhension visuelle et d’applications de type retrieval‑augmented/orientées agent.

Principales fonctionnalités de Qwen3.5-397B-A17B

MoE parcimonieux avec efficacité des paramètres actifs : Grande capacité globale (397B) avec activité par jeton comparable à un modèle dense 17B, réduisant les FLOPS par jeton tout en préservant la diversité des connaissances.
Multimodalité native (fusion précoce) : Entraîné à traiter texte, images et vidéo via une stratégie unifiée de tokenisation et d’encodeur pour le raisonnement inter‑modal.
Prise en charge de très longs contextes : Longueur de séquence d’entrée native de 262K jetons et voies documentées pour étendre jusqu’à ~1M+ jetons via la mise à l’échelle RoPE/YARN pour le retrieval et les pipelines de longs documents.
Mode de réflexion et outillage d’agent : Prise en charge de traces de raisonnement internes et d’un schéma d’exécution orienté agent ; exemples : activation des appels d’outils et intégration d’un interprète de code.
Poids ouverts et large compatibilité : Publié sous Apache‑2.0 sur Hugging Face et ModelScope, avec des guides d’intégration officiels pour Transformers, vLLM, SGLang et les frameworks communautaires.
Couverture linguistique adaptée aux entreprises : Entraînement multilingue étendu (200+ langues), ainsi que des instructions et recettes pour un déploiement à l’échelle.

Qwen3.5-397B-A17B vs modèles sélectionnés

Modèle	Fenêtre de contexte (native)	Atout	Compromis typiques
Qwen3.5-397B-A17B	262K (native)	MoE multimodal, poids ouverts, capacité 397B avec 17B actifs	Artefacts de modèle volumineux, nécessite un hébergement distribué pour des performances optimales
GPT-5.2 (fermé, représentatif)	~400K (rapporté pour certaines variantes)	Haute précision de raisonnement d’un modèle dense unique	Poids fermés, coût d’inférence plus élevé à l’échelle
Dense de type LLaMA 70B	~128K (variable)	Pile d’inférence plus simple, VRAM moindre pour les runtimes denses	Capacité en paramètres inférieure par rapport à la connaissance globale d’un MoE

Limites connues et considérations opérationnelles

Empreinte mémoire : Un MoE clairsemé requiert toujours le stockage de gros fichiers de poids ; l’hébergement exige un stockage et une mémoire des appareils significatifs comparés à un clone dense 17B.
Complexité d’ingénierie : Un débit optimal requiert un parallélisme soigné (tenseur/pipeline) et des frameworks comme vLLM ou SGLang ; un hébergement naïf sur un seul GPU est impraticable.
Économie des jetons : Bien que le calcul par jeton soit réduit, les contextes très longs augmentent toujours l’I/O, la taille du cache KV et la facturation chez les fournisseurs managés.
Sécurité et garde‑fous : Les poids ouverts accroissent la flexibilité mais transfèrent la responsabilité du filtrage de sécurité, de la supervision et des garde‑fous de déploiement à l’opérateur.

Cas d’usage représentatifs

Recherche et analyse de modèles : Les poids ouverts permettent une recherche reproductible et des évaluations pilotées par la communauté.
Services multimodaux sur site : Les entreprises ayant des exigences de résidence des données peuvent déployer et exécuter localement des charges de travail vision+texte.
Pipelines RAG et longs documents : La prise en charge native des longs contextes facilite le raisonnement en un seul passage sur de grands corpus.
Intelligence de code et outillage d’agent : Analyser des monorepos, générer des correctifs et exécuter des boucles d’appels d’outils pilotées par agents dans des environnements contrôlés.
Applications multilingues : Prise en charge linguistique à large couverture pour des produits globaux.

Comment accéder à et intégrer Qwen3.5-397B-A17B

Étape 1 : Inscrivez‑vous pour obtenir une clé API

Connectez‑vous à cometapi.com. Si vous n’êtes pas encore utilisateur, veuillez d’abord vous inscrire. Connectez‑vous à votre console CometAPI. Récupérez la clé API d’identification de l’interface. Cliquez sur “Add Token” dans la section du jeton API du centre personnel, obtenez la clé de jeton : sk-xxxxx et soumettez.

Étape 2 : Envoyez des requêtes à l’API Qwen3.5-397B-A17B

Sélectionnez le point de terminaison “Qwen3.5-397B-A17B” pour envoyer la requête API et définir le corps de requête. La méthode et le corps de requête sont disponibles dans la documentation API de notre site. Notre site fournit également un test Apifox pour votre commodité. Remplacez <YOUR_API_KEY> par votre clé CometAPI réelle associée à votre compte. Où l’appeler : format Chat.

Insérez votre question ou demande dans le champ content — c’est à cela que le modèle répondra. Traitez la réponse de l’API pour obtenir la réponse générée.

Étape 3 : Récupérez et vérifiez les résultats

Traitez la réponse de l’API pour obtenir la réponse générée. Après traitement, l’API renvoie le statut de la tâche et les données de sortie.

qwen3.5-397b-a17b