Spesifikasi teknikal Qwen3.5-397B-A17B
| Item | Qwen3.5-397B-A17B (open-weight pasca-latihan) |
|---|---|
| Keluarga model | Qwen3.5 (siri Tongyi Qwen, Alibaba) |
| Seni bina | Hibrid Mixture-of-Experts (MoE) + Gated DeltaNet; latihan multimodal fusi awal |
| Jumlah parameter | ~397 bilion (jumlah) |
| Parameter aktif (A17B) | ~17 bilion aktif per token (penghalaan jarang) |
| Jenis input | Teks, Imej, Video (multimodal fusi awal) |
| Jenis output | Teks (sembang, kod, output RAG), imej-ke-teks, respons multimodal |
| Tetingkap konteks asli | 262,144 token (ISL asli) |
| Konteks boleh diperluas | Sehingga ~1,010,000 token melalui penskalaan YaRN/ RoPE (bergantung pada platform) |
| Maksimum token output | Bergantung pada rangka kerja/perkhidmatan (contoh menunjukkan 81,920–131,072 dalam panduan) |
| Bahasa | 200+ bahasa dan dialek |
| Tarikh keluaran | 16 Februari 2026 (keluaran open-weight) |
| Lesen | Apache‑2.0 (open-weight pada Hugging Face / ModelScope) |
Apakah Qwen3.5-397B-A17B
Qwen3.5-397B-A17B ialah keluaran open‑weight pertama dalam keluarga Qwen3.5 Alibaba: model asas mixture‑of‑experts berskala besar dan multimodal yang dilatih dengan objektif visi–bahasa fusi awal serta dioptimumkan untuk aliran kerja agentik. Model ini mendedahkan kapasiti penuh seni bina 397B parameter sambil menggunakan penghalaan jarang (akhiran “A17B”) supaya hanya ~17B parameter aktif per token—memberikan keseimbangan antara kapasiti pengetahuan dan kecekapan inferens.
Keluaran ini ditujukan untuk penyelidik dan pasukan kejuruteraan yang memerlukan model asas yang terbuka, boleh dikerahkan, dan multimodal yang mampu penaakulan konteks panjang, pemahaman visual, serta aplikasi agentik/diperkuat dengan pengambilan semula.
Ciri utama Qwen3.5-397B-A17B
- Kecekapan parameter aktif dengan MoE jarang: Kapasiti global besar (397B) dengan aktiviti per token setara model padat 17B, mengurangkan FLOPS per token sambil mengekalkan kepelbagaian pengetahuan.
- Multimodal asli (fusi awal): Dilatih untuk mengendalikan teks, imej, dan video melalui strategi tokenisasi dan pengenkod yang disatukan bagi penaakulan rentas modal.
- Sokongan konteks sangat panjang: Panjang jujukan input asli 262K token dan laluan terdokumen untuk dilanjutkan kepada ~1M+ token menggunakan penskalaan RoPE/YARN untuk pengambilan semula dan alur kerja dokumen panjang.
- Mod pemikiran & peralatan agen: Sokongan untuk jejak penaakulan dalaman dan corak pelaksanaan agentik; contoh termasuk mengaktifkan panggilan alat dan integrasi jurubahasa kod.
- Open-weight & keserasian luas: Dikeluarkan di bawah Apache‑2.0 pada Hugging Face dan ModelScope, dengan panduan integrasi pihak pertama untuk Transformers, vLLM, SGLang dan rangka kerja komuniti.
- Liputan bahasa mesra perusahaan: Latihan berbilang bahasa yang meluas (200+ bahasa), serta arahan dan resipi untuk penyebaran pada skala.
Qwen3.5-397B-A17B berbanding model terpilih
| Model | Tetingkap konteks (asli) | Kekuatan | Kompromi tipikal |
|---|---|---|---|
| Qwen3.5-397B-A17B | 262K (asli) | MoE multimodal, open‑weight, kapasiti 397B dengan 17B aktif | Artifak model besar, memerlukan pengehosan teragih untuk prestasi penuh |
| GPT-5.2 (tertutup representatif) | ~400K (dilaporkan bagi sesetengah varian) | Ketepatan penaakulan padat model tunggal yang tinggi | Berat tertutup, kos inferens lebih tinggi pada skala |
| Gaya LLaMA padat 70B | ~128K (berubah) | Timbunan inferens yang lebih ringkas, VRAM lebih rendah untuk masa jalan padat | Kapasiti parameter lebih rendah berbanding pengetahuan global MoE |
Had yang diketahui & pertimbangan operasi
- Jejak memori: MoE jarang masih memerlukan penyimpanan fail berat yang besar; pengehosan menuntut storan dan memori peranti yang signifikan berbanding klon padat 17B.
- Kekompleksan kejuruteraan: Throughput optimum memerlukan paralelisme yang teliti (tensor/pipeline) dan rangka kerja seperti vLLM atau SGLang; pengehosan satu GPU secara naif adalah tidak praktikal.
- Ekonomi token: Walaupun pengiraan per token dikurangkan, konteks yang sangat panjang masih meningkatkan I/O, saiz cache KV, dan bil bagi penyedia terurus.
- Keselamatan & penghadang: Open-weight meningkatkan fleksibiliti tetapi mengalihkan tanggungjawab penapisan keselamatan, pemantauan, dan penghadang penyebaran kepada pengendali.
Kes penggunaan representatif
- Penyelidikan & analisis model: Open-weight membolehkan penyelidikan boleh ulang dan penilaian dipacu komuniti.
- Perkhidmatan multimodal di premis: Perusahaan yang memerlukan kediaman data boleh mengerahkan dan menjalankan beban kerja visi+teks secara tempatan.
- RAG dan alur kerja dokumen panjang: Sokongan konteks asli panjang membantu penaakulan lulus tunggal merentas korpus besar.
- Kecerdasan kod & peralatan agen: Menganalisis monorepo, menghasilkan tampalan, dan menjalankan gelung panggilan alat agentik dalam persekitaran terkawal.
- Aplikasi berbilang bahasa: Sokongan bahasa liputan tinggi untuk produk global.
Cara mengakses dan mengintegrasikan Qwen3.5-397B-A17B
Langkah 1: Daftar untuk Kunci API
Log masuk ke cometapi.com. Jika anda belum menjadi pengguna kami, sila daftar terlebih dahulu. Log masuk ke CometAPI console. Dapatkan kunci kelayakan akses API. Klik “Add Token” pada token API di pusat peribadi, dapatkan kunci token: sk-xxxxx dan serahkan.
Langkah 2: Hantar Permintaan ke API Qwen3.5-397B-A17B
Pilih titik akhir “Qwen3.5-397B-A17B” untuk menghantar permintaan API dan tetapkan badan permintaan. Kaedah permintaan dan badan permintaan diperoleh daripada dokumen API laman web kami. Laman web kami juga menyediakan ujian Apifox untuk kemudahan anda. Gantikan <YOUR_API_KEY> dengan kunci CometAPI sebenar anda daripada akaun anda. Di mana untuk memanggilnya: Chat format.
Masukkan soalan atau permintaan anda ke dalam medan content—ini yang akan dibalas oleh model. Proses respons API untuk mendapatkan jawapan yang dihasilkan.
Langkah 3: Dapatkan dan Sahkan Keputusan
Proses respons API untuk mendapatkan jawapan yang dihasilkan. Selepas pemprosesan, API membalas dengan status tugas dan data output.