ข้อมูลจำเพาะทาง技术ของ Qwen3.5-397B-A17B
| Item | Qwen3.5-397B-A17B (รุ่น open‑weight ที่ผ่านการฝึกเพิ่มเติม) |
|---|---|
| Model family | Qwen3.5 (ซีรีส์ Tongyi Qwen, Alibaba) |
| Architecture | Mixture‑of‑Experts (MoE) แบบไฮบริด + Gated DeltaNet; การฝึกมัลติโหมดแบบ early‑fusion |
| Total parameters | ~397 พันล้าน (ทั้งหมด) |
| Active parameters (A17B) | ~17 พันล้านที่ทำงานต่อโทเคน (การกำหนดเส้นทางแบบ sparse) |
| Input types | ข้อความ, รูปภาพ, วิดีโอ (มัลติโหมดแบบ early‑fusion) |
| Output types | ข้อความ (แชต, โค้ด, ผลลัพธ์ RAG), image‑to‑text, การตอบสนองแบบมัลติโหมด |
| Native context window | 262,144 โทเคน (native ISL) |
| Extensible context | ได้สูงสุด ~1,010,000 โทเคน ผ่านการสเกลแบบ YaRN/ RoPE (ขึ้นอยู่กับแพลตฟอร์ม) |
| Max output tokens | ขึ้นอยู่กับเฟรมเวิร์ก/การให้บริการ (ตัวอย่างในคู่มือแสดง 81,920–131,072) |
| Languages | มากกว่า 200 ภาษาและภาษาถิ่น |
| Release date | 16 กุมภาพันธ์ 2026 (เผยแพร่แบบ open‑weight) |
| License | Apache‑2.0 (เผยแพร่น้ำหนักบน Hugging Face / ModelScope) |
Qwen3.5-397B-A17B คืออะไร
Qwen3.5-397B-A17B เป็นรุ่น open‑weight แรกในตระกูล Qwen3.5 ของ Alibaba: โมเดลพื้นฐานแบบ Mixture‑of‑Experts ขนาดใหญ่และมัลติโหมด ที่ฝึกด้วยวัตถุประสงค์วิสันทัศน์–ภาษาแบบ early‑fusion และปรับแต่งสำหรับเวิร์กโฟลว์เชิงเอเจนต์ โมเดลนี้เปิดศักยภาพเต็มของสถาปัตยกรรม 397B พารามิเตอร์ พร้อมใช้การกำหนดเส้นทางแบบ sparse (ส่วนต่อท้าย “A17B”) ทำให้มีเพียงประมาณ 17B พารามิเตอร์ที่ทำงานต่อโทเคน—สร้างสมดุลระหว่างความจุความรู้กับประสิทธิภาพการอนุมาน
รุ่นนี้มุ่งสำหรับนักวิจัยและทีมวิศวกรรมที่ต้องการโมเดลพื้นฐานแบบมัลติโหมดที่เปิด นำไปใช้งานได้ และรองรับบริบทยาว ซึ่งสามารถให้เหตุผลจากภาพได้ และเหมาะกับแอปพลิเคชันแบบ retrieval‑augmented/เชิงเอเจนต์
คุณสมบัติหลักของ Qwen3.5-397B-A17B
- MoE แบบ sparse พร้อมประสิทธิภาพพารามิเตอร์ที่ทำงาน: ความจุรวมขนาดใหญ่ (397B) กับพารามิเตอร์ที่ทำงานต่อโทเคนเทียบได้กับโมเดล dense 17B ช่วยลด FLOPS ต่อโทเคนขณะยังคงความหลากหลายของความรู้
- มัลติโหมดแบบ native (early‑fusion): ฝึกให้รองรับข้อความ ภาพ และวิดีโอ ผ่านการโทเคไนซ์และกลยุทธ์เอนโค้ดเดอร์แบบหนึ่งเดียว เพื่อการให้เหตุผลข้ามโมดาล
- รองรับบริบทยาวมาก: ขนาดลำดับอินพุตแบบ native ที่ 262K โทเคน และมีแนวทางเอกสารสำหรับขยายถึง ~1M+ โทเคนด้วยการสเกล RoPE/YARN เพื่อการดึงคืนข้อมูลและไปป์ไลน์เอกสารยาว
- โหมดการคิดและเครื่องมือเอเจนต์: รองรับร่องรอยการให้เหตุผลภายในและรูปแบบการทำงานแบบเอเจนต์; ตัวอย่างรวมถึงการเปิดใช้งานการเรียกเครื่องมือและการผสาน Code Interpreter
- Open‑weight และความเข้ากันได้กว้าง: เผยแพร่ภายใต้ Apache‑2.0 บน Hugging Face และ ModelScope พร้อมคู่มือการผสานจากผู้พัฒนาหลักสำหรับ Transformers, vLLM, SGLang และเฟรมเวิร์กจากชุมชน
- ครอบคลุมภาษาที่เป็นมิตรต่อองค์กร: การฝึกหลายภาษาอย่างครอบคลุม (200+ ภาษา) พร้อมคำแนะนำและแนวทางสำหรับการปรับใช้ในสเกลองค์กร
Qwen3.5-397B-A17B เทียบกับโมเดลที่เลือก
| Model | Context window (native) | จุดเด่น | ข้อแลกเปลี่ยนทั่วไป |
|---|---|---|---|
| Qwen3.5-397B-A17B | 262K (native) | มัลติโหมดแบบ MoE, open weights, ความจุ 397B กับ 17B ที่ทำงาน | อาร์ติแฟกต์โมเดลขนาดใหญ่ ต้องการโฮสต์แบบกระจายเพื่อให้ได้ประสิทธิภาพเต็มที่ |
| GPT-5.2 (representative closed) | ~400K (มีรายงานสำหรับบางรุ่น) | ความแม่นยำการให้เหตุผลของโมเดลเดี่ยวแบบ dense สูง | น้ำหนักปิด ต้นทุนการอนุมานสูงขึ้นเมื่อสเกล |
| LLaMA‑style dense 70B | ~128K (แตกต่างกัน) | สแตกการอนุมานที่ง่ายกว่า ใช้ VRAM ต่ำกว่าสำหรับรันไทม์แบบ dense | ความจุพารามิเตอร์น้อยกว่าเมื่อเทียบกับความรู้รวมของ MoE |
ข้อจำกัดที่ทราบและข้อพิจารณาเชิงปฏิบัติการ
- การใช้หน่วยความจำ: แม้ MoE แบบ sparse ก็ยังต้องเก็บไฟล์น้ำหนักขนาดใหญ่; การโฮสต์ต้องใช้พื้นที่จัดเก็บและหน่วยความจำอุปกรณ์มาก เมื่อเทียบกับโคลน dense 17B
- ความซับซ้อนทางวิศวกรรม: อัตราผ่านที่เหมาะสมต้องอาศัยการขนาน (tensor/pipeline) ที่รอบคอบและเฟรมเวิร์กอย่าง vLLM หรือ SGLang; การโฮสต์แบบ GPU เดียวอย่างง่ายไม่เหมาะใช้งานจริง
- เศรษฐศาสตร์โทเคน: แม้คอมพิวต์ต่อโทเคนจะลดลง แต่บริบทที่ยาวมากยังเพิ่ม I/O ขนาด KV cache และค่าบริการสำหรับผู้ให้บริการแบบจัดการ
- ความปลอดภัยและรั้วกั้น: น้ำหนักแบบเปิดเพิ่มความยืดหยุ่น แต่ถ่ายโอนความรับผิดชอบเรื่องการกรองความปลอดภัย การมอนิเตอร์ และรั้วกั้นการปรับใช้ไปยังผู้ปฏิบัติการ
กรณีใช้งานที่เป็นตัวแทน
- วิจัยและวิเคราะห์โมเดล: น้ำหนักแบบเปิดช่วยให้การวิจัยทำซ้ำได้และการประเมินโดยชุมชน
- บริการมัลติโหมดแบบ On‑premise: องค์กรที่ต้องการ data residency สามารถปรับใช้และรันงานภาพ+ข้อความภายในสถานที่
- RAG และไปป์ไลน์เอกสารยาว: การรองรับบริบทยาวแบบ native ช่วยการให้เหตุผลแบบ single‑pass กับคลังข้อมูลขนาดใหญ่
- โค้ดอินเทลลิเจนซ์และเครื่องมือเอเจนต์: วิเคราะห์ monorepo สร้างแพตช์ และรันลูปการเรียกเครื่องมือของเอเจนต์ในสภาพแวดล้อมควบคุม
- แอปหลายภาษา: รองรับภาษาครอบคลุมสำหรับผลิตภัณฑ์ระดับโลก
วิธีเข้าถึงและผสานรวม Qwen3.5-397B-A17B
ขั้นตอนที่ 1: สมัครเพื่อรับ API Key
เข้าสู่ระบบที่ cometapi.com หากคุณยังไม่เป็นผู้ใช้ของเรา โปรดลงทะเบียนก่อน เข้าสู่ CometAPI console รับ API key สิทธิ์การเข้าถึงของอินเทอร์เฟซ คลิก “Add Token” ที่ API token ในศูนย์ส่วนบุคคล รับ token key: sk-xxxxx และส่ง
ขั้นตอนที่ 2: ส่งคำขอไปยัง API ของ Qwen3.5-397B-A17B
เลือกปลายทาง “Qwen3.5-397B-A17B” เพื่อส่งคำขอ API และตั้งค่า request body วิธีการและ request body สามารถดูได้จากเอกสาร API บนเว็บไซต์ของเรา เว็บไซต์ของเรายังมี Apifox สำหรับทดสอบเพื่อความสะดวกของคุณ แทนที่ <YOUR_API_KEY> ด้วย CometAPI key จริงจากบัญชีของคุณ จุดที่เรียกใช้งาน: รูปแบบ Chat
ใส่คำถามหรือคำขอของคุณลงในช่อง content—ซึ่งเป็นสิ่งที่โมเดลจะตอบสนอง ประมวลผลการตอบกลับ API เพื่อรับคำตอบที่สร้างขึ้น
ขั้นตอนที่ 3: ดึงและตรวจสอบผลลัพธ์
ประมวลผลการตอบกลับ API เพื่อรับคำตอบที่สร้างขึ้น หลังการประมวลผล API จะตอบกลับด้วยสถานะงานและข้อมูลผลลัพธ์