Технические характеристики Qwen3.5-397B-A17B
| Параметр | Qwen3.5-397B-A17B (с открытыми весами, дообученная) |
|---|---|
| Семейство моделей | Qwen3.5 (серия Tongyi Qwen, Alibaba) |
| Архитектура | Гибридная Mixture-of-Experts (MoE) + Gated DeltaNet; мультимодальное обучение с ранним слиянием |
| Общее число параметров | ~397 миллиардов (всего) |
| Активные параметры (A17B) | ~17 миллиардов активных на токен (разреженная маршрутизация) |
| Типы ввода | Текст, изображение, видео (мультимодальность с ранним слиянием) |
| Типы вывода | Текст (чат, код, RAG-выводы), image-to-text, мультимодальные ответы |
| Нативное окно контекста | 262,144 токена (native ISL) |
| Расширяемый контекст | До ~1,010,000 токенов через масштабирование YaRN/ RoPE (зависит от платформы) |
| Максимум токенов вывода | Зависит от фреймворка/сервинга (в руководствах приводятся 81,920–131,072) |
| Языки | 200+ языков и диалектов |
| Дата выпуска | 16 февраля 2026 (релиз с открытыми весами) |
| Лицензия | Apache‑2.0 (открытые веса на Hugging Face / ModelScope) |
Что такое Qwen3.5-397B-A17B
Qwen3.5-397B-A17B — первый релиз с открытыми весами в семействе Qwen3.5 от Alibaba: крупная мультимодальная базовая модель типа mixture‑of‑experts, обученная с целями vision–language с ранним слиянием и оптимизированная для агентных рабочих процессов. Модель раскрывает всю мощность архитектуры на 397B параметров, при этом использует разреженную маршрутизацию (суффикс «A17B»), так что на каждый токен приходится активными лишь ~17B параметров — обеспечивая баланс между емкостью знаний и эффективностью инференса.
Этот релиз предназначен для исследователей и инженерных команд, которым нужна открытая, развертываемая мультимодальная базовая модель, способная к долгоконтекстному рассуждению, визуальному пониманию и приложениям с RAG/агентными возможностями.
Основные возможности Qwen3.5-397B-A17B
- Спарсная MoE с эффективностью активных параметров: большая глобальная емкость (397B) с активностью на токен, сопоставимой с плотной моделью 17B, снижение FLOPS на токен при сохранении разнообразия знаний.
- Нативная мультимодальность (раннее слияние): обучена работать с текстом, изображениями и видео через унифицированную стратегию токенизации и энкодера для межмодального рассуждения.
- Поддержка очень длинного контекста: нативная длина входной последовательности 262K токенов и документированные пути расширения до ~1M+ токенов с использованием масштабирования RoPE/YARN для retrieval и пайплайнов длинных документов.
- Режим «мышления» и инструменты агента: поддержка внутренних трасс рассуждений и агентного шаблона исполнения; примеры включают включение вызовов инструментов и интеграцию с интерпретатором кода.
- Открытые веса и широкая совместимость: выпущена под Apache‑2.0 на Hugging Face и ModelScope, с официальными гайдами интеграции для Transformers, vLLM, SGLang и сообщественных фреймворков.
- Ориентированное на предприятия языковое покрытие: масштабное многоязычное обучение (200+ языков), а также инструкции и рецепты для развёртывания на уровне предприятия.
Qwen3.5-397B-A17B по сравнению с выбранными моделями
| Модель | Окно контекста (нативное) | Сильные стороны | Типичные компромиссы |
|---|---|---|---|
| Qwen3.5-397B-A17B | 262K (нативное) | Мультимодальная MoE, открытые веса, емкость 397B с 17B активными | Большие артефакты модели, для полной производительности требуется распределенный хостинг |
| GPT-5.2 (репрезентативная закрытая) | ~400K (по сообщениям для некоторых вариантов) | Высокая точность рассуждений у одной плотной модели | Закрытые веса, более высокая стоимость инференса в масштабе |
| Плотная 70B в стиле LLaMA | ~128K (варьируется) | Более простой стек инференса, меньшие требования к VRAM для плотных рантаймов | Меньшая емкость параметров по сравнению с глобальными знаниями MoE |
Известные ограничения и эксплуатационные соображения
- След модели в памяти: разреженная MoE всё ещё требует хранения больших файлов весов; хостинг требует значительного хранилища и памяти устройств по сравнению с плотным «клоновидным» 17B.
- Инженерная сложность: для оптимальной пропускной способности требуется аккуратный параллелизм (тензорный/конвейерный) и фреймворки вроде vLLM или SGLang; наивный хостинг на одном GPU непрактичен.
- Экономика токенов: хотя вычисления на токен снижены, очень длинные контексты всё равно увеличивают I/O, размер KV‑кэша и биллинг у управляемых провайдеров.
- Безопасность и защитные барьеры: открытые веса повышают гибкость, но переносят ответственность за фильтрацию безопасности, мониторинг и защитные меры при развёртывании на оператора.
Репрезентативные случаи использования
- Исследования и анализ моделей: открытые веса обеспечивают воспроизводимость исследований и оценки сообщества.
- Мультимодальные сервисы on‑premise: предприятия, которым нужна локализация данных, могут развёртывать и запускать рабочие нагрузки vision+text локально.
- RAG и пайплайны длинных документов: нативная поддержка длинного контекста помогает однопроходному рассуждению по большим корпусам.
- Кодовая интеллигенция и агентные инструменты: анализ монорепозиториев, генерация патчей и запуск агентных циклов вызова инструментов в контролируемых средах.
- Многоязычные приложения: широкое языковое покрытие для глобальных продуктов.
Как получить доступ и интегрировать Qwen3.5-397B-A17B
Шаг 1: Зарегистрируйтесь для получения API‑ключа
Войдите на cometapi.com. Если вы ещё не являетесь нашим пользователем, пожалуйста, сначала зарегистрируйтесь. Войдите в вашу консоль CometAPI. Получите ключ доступа API. Нажмите «Add Token» в разделе API token в личном кабинете, получите ключ токена: sk-xxxxx и отправьте.
Шаг 2: Отправляйте запросы к API Qwen3.5-397B-A17B
Выберите конечную точку «Qwen3.5-397B-A17B», чтобы отправить API‑запрос, и задайте тело запроса. Метод запроса и тело запроса доступны в документации API на нашем сайте. На нашем сайте также доступен тест Apifox для вашего удобства. Замените <YOUR_API_KEY> на ваш фактический CometAPI‑ключ из вашего аккаунта. Где вызывать: формат Chat.
Вставьте ваш вопрос или запрос в поле content — это то, на что модель ответит. Обработайте ответ API, чтобы получить сгенерированный ответ.
Шаг 3: Извлекайте и проверяйте результаты
Обработайте ответ API, чтобы получить сгенерированный ответ. После обработки API отвечает статусом задачи и выходными данными.