Is Qwen3.5-397B-A17B available as open weights for local hosting and research?

Qwen3.5-397B-A17B は、ローカルホスティングおよび研究向けのオープンウェイトとして利用可能ですか？

Yes. The Qwen3.5-397B-A17B weights are released under Apache-2.0 on Hugging Face and ModelScope, and the project provides serving recipes for Transformers, vLLM, and SGLang.

はい。Qwen3.5-397B-A17B の重みは Apache-2.0 の下で Hugging Face と ModelScope にて公開されており、このプロジェクトでは Transformers、vLLM、SGLang 向けのサービング手順も提供されています。

What does the "A17B" suffix mean in Qwen3.5-397B-A17B?

Qwen3.5-397B-A17B における「A17B」という接尾辞は何を意味しますか？

A17B indicates the model's sparse routing design uses roughly 17 billion active parameters per token (active experts), while the global model capacity is ~397 billion parameters.

A17B は、このモデルのスパースルーティング設計において、トークンごとに約 170 億のアクティブパラメータ（アクティブエキスパート）が使用される一方で、モデル全体の容量は約 3,970 億パラメータであることを示しています。

What is the native context window and can I extend it for very long documents?

ネイティブのコンテキストウィンドウはどれくらいですか？また、非常に長い文書向けに拡張できますか？

The model ships with a native input sequence length of 262,144 tokens and includes documented methods to extend context to ~1,010,000 tokens via YaRN/RoPE scaling, depending on serving framework.

このモデルは、ネイティブの入力シーケンス長として 262,144 トークンを備えており、サービングフレームワークに応じて、YaRN/RoPE スケーリングによりコンテキストを約 1,010,000 トークンまで拡張する方法も文書化されています。

Which input modalities does Qwen3.5-397B-A17B support?

Qwen3.5-397B-A17B はどの入力モダリティをサポートしていますか？

It is a unified vision-language model trained with early-fusion; supported inputs include text, images, and video tokens for multimodal reasoning and generation.

これは early-fusion で学習された統合型の視覚言語モデルであり、サポートされる入力には、マルチモーダルな推論と生成のためのテキスト、画像、動画トークンが含まれます。

How does inference efficiency compare to a 17B dense model?

推論効率は 17B の dense モデルと比べてどうですか？

Per-token inference compute is similar to 17B dense-class models thanks to sparse MoE routing, but model artifacts and memory requirements are larger because full weights must be stored and distributed across devices.

スパース MoE ルーティングのおかげで、トークンごとの推論計算量は 17B 級の dense モデルと同程度ですが、完全な重みを保存し、デバイス間で分散する必要があるため、モデルアーティファクトおよびメモリ要件はより大きくなります。

お手頃な qwen3.5-397b-a17b API | text-to-text

Qwen3.5-397B-A17B の技術仕様

項目	Qwen3.5-397B-A17B（オープンウェイト／ポストトレーニング済み）
モデルファミリー	Qwen3.5（Tongyi Qwen シリーズ、Alibaba）
アーキテクチャ	ハイブリッド Mixture‑of‑Experts（MoE）+ Gated DeltaNet；早期融合マルチモーダル学習
総パラメータ数	~397 billion（総計）
アクティブパラメータ（A17B）	トークンごとに ~17 billion がアクティブ（スパースルーティング）
入力タイプ	テキスト、画像、動画（マルチモーダル早期融合）
出力タイプ	テキスト（チャット、コード、RAG 出力）、画像→テキスト、マルチモーダル応答
ネイティブコンテキストウィンドウ	262,144 トークン（ネイティブ ISL）
拡張可能なコンテキスト	YaRN/ RoPE スケーリングにより最大 ~1,010,000 トークン（プラットフォーム依存）
最大出力トークン数	フレームワーク／サービング依存（ガイドの例では 81,920–131,072）
対応言語	200+ の言語と方言
リリース日	2026年2月16日（オープンウェイト公開）
ライセンス	Apache‑2.0（Hugging Face / ModelScope でオープンウェイト）

Qwen3.5-397B-A17B とは

Qwen3.5-397B-A17B は Alibaba の Qwen3.5 ファミリーにおける初のオープンウェイト公開であり、早期融合の視覚–言語目標で学習されたマルチモーダル Mixture‑of‑Experts 基盤モデルで、エージェント的ワークフロー向けに最適化されています。スパースルーティング（“A17B” サフィックス）により、397B パラメータのアーキテクチャ能力を活かしつつ、トークンごとに ~17B のパラメータのみがアクティブとなり、知識容量と推論効率のバランスを実現します。

このリリースは、長コンテキスト推論、視覚理解、RAG／エージェント型アプリケーションに対応する、オープンでデプロイ可能なマルチモーダル基盤モデルを必要とする研究者およびエンジニアリングチームを対象としています。

Qwen3.5-397B-A17B の主な特長

アクティブパラメータ効率に優れたスパース MoE：グローバル容量（397B）が大きく、トークンごとのアクティブ数は 17B の密モデルに匹敵。知識の多様性を維持しつつ、トークンあたりの FLOPS を低減。
ネイティブなマルチモーダル（早期融合）：統一されたトークン化とエンコーダ戦略によりテキスト・画像・動画を扱えるよう学習され、クロスモーダル推論に対応。
超長コンテキスト対応：ネイティブの入力シーケンス長は 262K トークン。RoPE/YARN スケーリングにより約 1M+ トークンまで拡張する手順も文書化されており、検索や長文書パイプラインに有用。
思考モード＆エージェント用ツール群：内部推論トレースとエージェント的実行パターンをサポート。ツールコールやコードインタープリタ統合などの例を提供。
オープンウェイト＆広範な互換性：Hugging Face と ModelScope で Apache‑2.0 の下に公開。Transformers、vLLM、SGLang およびコミュニティフレームワーク向けの公式統合ガイドを提供。
エンタープライズに適した言語カバレッジ：広範な多言語学習（200+ 言語）に加え、スケール展開のための手順とレシピを提供。

Qwen3.5-397B-A17B と選定モデルの比較

モデル	コンテキストウィンドウ（ネイティブ）	強み	典型的なトレードオフ
Qwen3.5-397B-A17B	262K（ネイティブ）	マルチモーダル MoE、オープンウェイト、397B 容量で 17B アクティブ	大規模アーティファクト、フル性能には分散ホスティングが必要
GPT-5.2（代表的クローズド）	~400K（一部のバリアントで報告）	単一モデルの高精度な密推論	ウェイト非公開、スケール時の推論コストが高い
LLaMA‑style dense 70B	~128K（可変）	より単純な推論スタック、密ランタイムで必要な VRAM が少ない	MoE のグローバル知識に比べてパラメータ容量が小さい

既知の制約と運用上の考慮事項

メモリフットプリント：スパース MoE でも大規模な重みファイルの保存が必要。17B の密クローンと比べて、ホスティングには多くのストレージとデバイスメモリが要求される。
エンジニアリングの複雑さ：最適なスループットには綿密な並列化（テンソル／パイプライン）と vLLM や SGLang といったフレームワークが必要。単純な単一 GPU ホスティングは非現実的。
トークンの経済性：トークンあたりの計算は削減される一方、非常に長いコンテキストは I/O、KV キャッシュサイズ、マネージドプロバイダの課金を増大させる。
セーフティとガードレール：オープンウェイトは柔軟性を高める一方で、セーフティフィルタリング、モニタリング、デプロイ時のガードレールの責任は運用者に移る。

代表的なユースケース

研究とモデル分析：オープンウェイトにより再現可能な研究とコミュニティ主導の評価が可能。
オンプレミスのマルチモーダルサービス：データレジデンシーが必要な企業が、視覚＋テキストのワークロードをローカルにデプロイ・実行。
RAG と長文書パイプライン：ネイティブな長コンテキストにより、大規模コーパスに対する単一パス推論を支援。
コードインテリジェンス＆エージェントツール：モノレポ解析、パッチ生成、制御環境でのエージェント的ツールコールループの実行。
多言語アプリケーション：グローバル製品向けの高カバレッジな言語対応。

Qwen3.5-397B-A17B の利用と統合方法

手順 1: API キーの取得

cometapi.com にログインします。まだユーザーでない場合は、まず登録してください。CometAPI コンソールにサインインします。インターフェースのアクセス認証 API キーを取得します。パーソナルセンターの API トークンで「Add Token」をクリックし、トークンキー: sk-xxxxx を取得して送信します。

手順 2: Qwen3.5-397B-A17B API にリクエストを送信

“Qwen3.5-397B-A17B” エンドポイントを選択して API リクエストを送信し、リクエストボディを設定します。リクエスト方法とリクエストボディは当社サイトの API ドキュメントから取得できます。利便性のため Apifox テストも提供しています。<YOUR_API_KEY> をアカウントの実際の CometAPI キーに置き換えてください。呼び出し先: Chat 形式。

質問またはリクエストを content フィールドに挿入します—モデルはこの内容に応答します。API レスポンスを処理して生成された回答を取得します。

手順 3: 結果の取得と検証

API レスポンスを処理して生成された回答を取得します。処理後、API はタスクステータスと出力データを返します。

qwen3.5-397b-a17b