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

Sim. Os pesos do Qwen3.5-397B-A17B são disponibilizados sob a licença Apache-2.0 no Hugging Face e no ModelScope, e o projeto fornece receitas de serving para Transformers, vLLM e SGLang.

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

A17B indica que a arquitetura de roteamento esparso do modelo usa cerca de 17 bilhões de parâmetros ativos por token (experts ativos), enquanto a capacidade global do modelo é de ~397 bilhões de parâmetros.

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

O modelo vem com um comprimento nativo da sequência de entrada de 262,144 tokens e inclui métodos documentados para estender o contexto para ~1,010,000 tokens via escalonamento YaRN/RoPE, dependendo do framework de serving.

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

É um modelo unificado de visão e linguagem treinado com early-fusion; as entradas compatíveis incluem texto, imagens e tokens de vídeo para raciocínio e geração multimodal.

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

O custo de inferência por token é semelhante ao de modelos densos de 17B graças ao roteamento esparso de MoE, mas os artefatos do modelo e os requisitos de memória são maiores porque os pesos completos precisam ser armazenados e distribuídos entre dispositivos.

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

Especificações técnicas do Qwen3.5-397B-A17B

Item	Qwen3.5-397B-A17B (open-weight pós-treinado)
Família do modelo	Qwen3.5 (série Tongyi Qwen, Alibaba)
Arquitetura	Mixture-of-Experts (MoE) híbrido + Gated DeltaNet; treinamento multimodal com fusão antecipada
Parâmetros totais	~397 bilhões (total)
Parâmetros ativos (A17B)	~17 bilhões ativos por token (roteamento esparso)
Tipos de entrada	Texto, Imagem, Vídeo (multimodal com fusão antecipada)
Tipos de saída	Texto (chat, código, saídas de RAG), imagem para texto, respostas multimodais
Janela de contexto nativa	262.144 tokens (ISL nativo)
Contexto extensível	Até ~1.010.000 tokens via escalonamento YaRN/ RoPE (dependente da plataforma)
Máx. de tokens de saída	Dependente do framework/serviço (os exemplos mostram 81.920–131.072 nos guias)
Idiomas	Mais de 200 idiomas e dialetos
Data de lançamento	16 de fevereiro de 2026 (lançamento open-weight)
Licença	Apache‑2.0 (pesos abertos no Hugging Face / ModelScope)

O que é o Qwen3.5-397B-A17B

Qwen3.5-397B-A17B é o primeiro lançamento open‑weight da família Qwen3.5 da Alibaba: um grande modelo fundamental multimodal mixture‑of‑experts treinado com objetivos de visão‑linguagem de fusão antecipada e otimizado para fluxos de trabalho agentivos. O modelo expõe toda a capacidade de uma arquitetura com 397B parâmetros, enquanto usa roteamento esparso (o sufixo “A17B”), de modo que apenas ~17B parâmetros ficam ativos por token — proporcionando um equilíbrio entre capacidade de conhecimento e eficiência de inferência.

Este lançamento é destinado a pesquisadores e equipes de engenharia que precisam de um modelo fundamental aberto, implantável e multimodal, capaz de raciocínio em contexto longo, compreensão visual e aplicações com recuperação aumentada/agentivas.

Principais recursos do Qwen3.5-397B-A17B

MoE esparso com eficiência de parâmetros ativos: Grande capacidade global (397B) com atividade por token comparável à de um modelo denso de 17B, reduzindo FLOPS por token enquanto preserva a diversidade de conhecimento.
Multimodalidade nativa (fusão antecipada): Treinado para lidar com texto, imagens e vídeo por meio de uma estratégia unificada de tokenização e codificação para raciocínio entre modalidades.
Suporte a contexto muito longo: Comprimento nativo da sequência de entrada de 262K tokens e caminhos documentados para estender para ~1M+ tokens usando escalonamento RoPE/YARN para pipelines de recuperação e documentos longos.
Modo de raciocínio & ferramentas de agente: Suporte para rastros internos de raciocínio e um padrão de execução agentivo; os exemplos incluem habilitar chamadas de ferramentas e integração com interpretador de código.
Open-weight & ampla compatibilidade: Lançado sob Apache‑2.0 no Hugging Face e ModelScope, com guias de integração de primeira parte para Transformers, vLLM, SGLang e frameworks da comunidade.
Cobertura de idiomas amigável para empresas: Treinamento multilíngue extenso (mais de 200 idiomas), além de instruções e receitas para implantação em escala.

Qwen3.5-397B-A17B vs Modelos selecionados

Modelo	Janela de contexto (nativa)	Ponto forte	Trade-offs típicos
Qwen3.5-397B-A17B	262K (nativa)	MoE multimodal, pesos abertos, capacidade de 397B com 17B ativos	Artefatos de modelo grandes, requer hospedagem distribuída para desempenho total
GPT-5.2 (fechado representativo)	~400K (reportado para algumas variantes)	Alta precisão de raciocínio denso em um único modelo	Pesos fechados, custo de inferência mais alto em escala
LLaMA‑style dense 70B	~128K (varia)	Pilha de inferência mais simples, menor VRAM para runtimes densos	Menor capacidade de parâmetros em relação ao conhecimento global de MoE

Limitações conhecidas & considerações operacionais

Pegada de memória: O MoE esparso ainda exige o armazenamento de grandes arquivos de pesos; a hospedagem demanda armazenamento significativo e memória de dispositivo em comparação com um clone denso de 17B.
Complexidade de engenharia: O throughput ideal exige paralelismo cuidadoso (tensor/pipeline) e frameworks como vLLM ou SGLang; a hospedagem ingênua em uma única GPU é impraticável.
Economia de tokens: Embora o cálculo por token seja reduzido, contextos muito longos ainda aumentam E/S, o tamanho do cache KV e a cobrança para provedores gerenciados.
Segurança & guardrails: Pesos abertos aumentam a flexibilidade, mas transferem a responsabilidade por filtragem de segurança, monitoramento e guardrails de implantação para o operador.

Casos de uso representativos

Pesquisa & análise de modelos: Pesos abertos permitem pesquisa reproduzível e avaliação orientada pela comunidade.
Serviços multimodais on‑premise: Empresas que precisam de residência de dados podem implantar e executar cargas de trabalho de visão+texto localmente.
Pipelines de RAG e documentos longos: O suporte nativo a contexto longo auxilia o raciocínio em passagem única sobre grandes corpus.
Inteligência de código & ferramentas de agente: Analise monorepos, gere patches e execute loops agentivos de chamada de ferramentas em ambientes controlados.
Aplicações multilíngues: Suporte de alta cobertura de idiomas para produtos globais.

Como acessar e integrar o Qwen3.5-397B-A17B

Etapa 1: Cadastre-se para obter uma chave de API

Faça login em cometapi.com. Se você ainda não é nosso usuário, registre-se primeiro. Entre no seu console CometAPI. Obtenha a credencial de acesso, a chave de API da interface. Clique em “Add Token” na seção de token de API no centro pessoal, obtenha a chave do token: sk-xxxxx e envie.

Etapa 2: Envie solicitações para a API do Qwen3.5-397B-A17B

Selecione o endpoint “Qwen3.5-397B-A17B” para enviar a solicitação de API e defina o corpo da solicitação. O método da solicitação e o corpo da solicitação são obtidos na documentação da API em nosso site. Nosso site também fornece teste Apifox para sua conveniência. Substitua <YOUR_API_KEY> pela sua chave real do CometAPI da sua conta. Onde chamá-lo: formato de Chat.

Insira sua pergunta ou solicitação no campo content — é a isso que o modelo responderá. Processe a resposta da API para obter a resposta gerada.

Etapa 3: Recupere e verifique os resultados

Processe a resposta da API para obter a resposta gerada. Após o processamento, a API responde com o status da tarefa e os dados de saída.

qwen3.5-397b-a17b