Alibaba выпустила Qwen3.6-35B-A3B: открытая MoE-модель с 3 млрд активных параметров

Alibaba выпустила Qwen3.6-35B-A3B — открытую смесь экспертов на 35 млрд параметров, из которых на каждом шаге генерации работают примерно 3 млрд. Веса выложены на Hugging Face и ModelScope, в чате модель доступна в Qwen Studio, а через Alibaba Cloud Model Studio вызывается под именем qwen3.6-flash. По агентному кодингу новинка заметно обошла предшественницу Qwen3.5-35B-A3B и подтянулась к плотным моделям класса 27–31B.

Практический смысл релиза упирается в стоимость инференса. Вычисления идут по активной части параметров, поэтому нагрузка на железо ближе к 3B-классу, чем к 35B, а качество на многошаговых задачах держится на уровне заметно более крупных моделей. Для команд с тысячами вызовов в сутки эта разница окупается быстрее, чем прибавка пары баллов в бенчмарках.

Оговорка, которая теряется в анонсах: открытые веса не означают бесплатную эксплуатацию. Платить придётся либо за видеопамять и электричество, либо за токены у провайдера.

Что даёт схема 35B/3B помимо экономии

В MoE маршрутизатор выбирает нескольких экспертов под конкретный токен, остальные простаивают. Память при этом занимают все 35 млрд весов, арифметика считается только по активным. Отсюда типичный компромисс: ответы генерируются быстро, но карта нужна такая, будто перед нами полноценная 35B.

Вторая особенность — нативная мультимодальность. Qwen3.6 обучали на изображениях и видео, а не прикручивали зрение адаптером к текстовой базе. Сильнее всего это видно по пространственным тестам: RefCOCO 92.0 и ODInW13 50.8 оказались лучшими в опубликованном сравнении, где участвовал и Claude Sonnet 4.5, хотя по большинству остальных визуальных замеров результаты близки.

Режимов два. Thinking тратит токены на рассуждение и нужен агентным сценариям, non-thinking отвечает сразу. В API добавили preserve_thinking — перенос цепочки рассуждений из предыдущих ходов диалога; на длинных задачах с инструментами это снижает деградацию контекста.

Бенчмарки: где прирост реальный, а где в пределах шума

Разработчик сравнивает новинку с плотной Qwen3.5-27B, Gemma4-31B, Gemma4-26B-A4B и своей предшественницей той же архитектуры. Картина неровная, и это важнее суммарных баллов: рывок сосредоточен в агентном кодинге и работе с инструментами, а в общих знаниях модель идёт наравне или чуть ниже.

Честное чтение таблицы: на SWE-bench Verified плотная 27B всё ещё впереди, зато на Terminal-Bench 2.0 и в генерации фронтенда отрыв кратный, а MMLU-Pro у новинки даже на десятую ниже предшественницы. Вывод простой — модель заточена под сценарии, где нужно вызывать команды, править файлы и доводить многошаговую задачу до конца.

Условия замеров воспроизводятся вместе с обвязкой. SWE-bench считался внутренним агентом с bash и правкой файлов на контексте 200K, Terminal-Bench прогонялся в харнессе с трёхчасовым лимитом и 48 ГБ оперативной памяти, часть агентных тестов шла через сторонние каркасы вроде Claude Code и OpenCode. Без того же скэффолда и температуры цифры из таблицы повторять бессмысленно.

Как получить доступ и чем пути отличаются

Qwen Studio — самый быстрый вход: чат в браузере без ключей и биллинга, годится, чтобы прогнать свои промпты на живых примерах. Для продакшена нужен Alibaba Cloud Model Studio: там модель числится как qwen3.6-flash, интерфейс совместим со спецификацией OpenAI, есть и Anthropic-совместимый эндпоинт. Последнее экономит переписывание кода при миграции с Claude.

Для self-hosting веса качаются с Hugging Face или ModelScope, готовые интеграции есть с OpenClaw, Claude Code и Qwen Code — модель встаёт в привычный редактор как замена облачному провайдеру. По объёму весов 35B в 4-битном квантовании это порядка 20 ГБ, так что 24 ГБ видеопамяти становятся нижней практической планкой. На карте поменьше придётся уходить в агрессивное квантование и мириться с просадкой на длинном контексте.

1. Прогнать в Qwen Studio два-три своих реальных запроса, включая один с изображением или скриншотом документа.
2. Создать ключ в консоли Model Studio и выставить переменные окружения DASHSCOPE_API_KEY и DASHSCOPE_BASE_URL.
3. Выбрать регион эндпоинта: Пекин, Сингапур или Вирджиния — от него зависит задержка и юрисдикция обработки данных.
4. Для агентных цепочек включить preserve_thinking в extra_body, иначе рассуждения предыдущих шагов потеряются.
5. Посчитать расход на своём трафике: длина системного промпта и число шагов агента влияют на счёт сильнее, чем тариф за миллион токенов.

Оплата идёт через биллинг Alibaba Cloud, и для российских команд это обычно отдельная головная боль: нужна зарубежная карта и юрлицо, готовое вести расчёты. Локальный запуск снимает вопрос платежей, но возвращает расходы на GPU и время инженера на обслуживание.

Случаи, где выгода исчезает

Если задача — одна длинная аналитическая справка без вызова инструментов, экономия на активных параметрах почти не проявляется, а на общих знаниях модель проигрывает плотным конкурентам. Для офлайн-развёртывания на слабой карте смысла ещё меньше: квантование съест именно те качества, за которые модель и берут.

Отдельный риск — воспроизводимость. Внутренние бенчмарки вроде QwenClawBench и QwenWebBench разработчик пока не открыл, а значит часть заявленных преимуществ нельзя проверить независимо. Команде, которая выбирает модель под конкретный пайплайн, разумнее опираться на собственный набор задач из сотни реальных запросов, чем на сводные таблицы.

С чего начать: первый тест за один вечер

Начинать стоит с Qwen Studio, а не с локальных весов: полчаса на своих промптах покажут, тянет ли модель нужный домен, и только после этого имеет смысл тратить время на ключи и загрузку 20 ГБ. Первым делом проверяются два сценария — правка кода по описанию ошибки и разбор скана документа с таблицей, потому что именно там заявлен основной прирост. Если оба отработали, следующим шагом становится прогон того же набора через API qwen3.6-flash с включённым preserve_thinking и сравнение стоимости на своём объёме вызовов.