本次发布的 Qwen3.5 是 QwenTeam 推出的原生多模态智能体，核心模型为 Qwen3.5-397B-A17B，整体在模型性能、预训练、基础设施、实际应用等方面实现全方位升级，以下为详细内容：
- 模型发布与核心特性
-
发布时间：2026 年 02 月 16 日，同步开放Qwen3.5-397B-A17B的开放权重版本，其 API 版本Qwen3.5-Plus通过阿里云百炼提供服务。 -
架构创新：采用 ** 线性注意力（Gated Delta Networks）+ 稀疏混合专家（MoE）** 的混合架构，兼顾能力与效率。 -
参数量：总参数量达3970 亿，每次前向传播仅激活170 亿参数，大幅优化推理速度与成本。 -
语言支持：将语言 / 方言支持从 119 种扩展至201 种，提升全球可用性；API 版本拥有1M token上下文窗口，支持官方工具及自适应调用。 -
- 模型表现：多模态基准评估对标前沿模型
Qwen3.5-397B-A17B 在自然语言、视觉语言两大核心维度开展评估，对比 GPT5.2、Claude 4.5 Opus、Gemini-3 Pro 等前沿模型，多项指标表现优异，部分指标超越 Qwen3 系列原有模型，核心基准得分如下表： 评估维度 核心基准 Qwen3.5-397B-A17B 得分 关键对比优势 自然语言 IFBench（指令跟随） 76.5 高于 GPT5.2（75.4）、Claude 4.5 Opus（58.0） 自然语言 GPQA（研究生级推理） 88.4 高于 Claude 4.5 Opus（87.0）、Qwen3-Max-Thinking（87.4） 自然语言 MMMLU（多语言知识） 88.5 接近 Gemini-3 Pro（90.6），大幅优于 Qwen3-Max-Thinking（84.4） 视觉语言 OmniDocBench1.5（文档理解） 90.8 高于 GPT5.2（85.7）、Claude 4.5 Opus（87.7） 视觉语言 MathVision（STEM 解谜） 88.6 高于 GPT5.2（83.0）、Gemini-3 Pro（86.6） 视觉语言 Video-MME（带字幕，视频推理） 87.5 接近 GPT5.2（86.0）、Gemini-3 Pro（88.4） -
通用 Agent 能力：通过扩展 RL 训练环境，模型在 BFCL-V4、VITA-Bench 等 Agent 基准的平均排名显著提升，优于 Qwen3-Max-Thinking 等模型。 - 预训练：三大维度实现跨代升级
Qwen3.5 从能力、效率、通用性三个维度推进预训练，实现性能与效率的双重提升，核心优化成果如下： -
能力：在更大规模视觉 - 文本语料上训练，强化中英文、多语言、STEM 与推理数据并严格过滤，Qwen3.5-397B-A17B与参数量超 1T 的Qwen3-Max-Base表现相当。 -
效率：基于 Qwen3-Next 架构，融合更高稀疏度 MoE、混合注意力等技术，32k/256k 上下文长度下，解码吞吐量分别为 Qwen3-Max 的 8.6 倍 / 19.0 倍，为 Qwen3-235B-A22B 的 3.5 倍 / 7.2 倍。 -
通用性：实现早期文本 - 视觉融合的原生多模态，相近规模下优于 Qwen3-VL；词表扩充至25 万（原 15 万），多数语言编码 / 解码效率提升10–60%。 - 基础设施：高效训练与框架支撑
依托异构基础设施和定制化强化学习框架，实现 Qwen3.5 的高效训练与规模化扩展： -
异构训练架构：视觉与语言组件解耦并行，稀疏激活实现跨模块计算重叠，混合文本 - 图像 - 视频数据训练吞吐达近 100%。 -
原生 FP8 流水线：对激活、MoE 路由等采用低精度，敏感层保留 BF16，实现激活显存降低约 50%、训练加速超 10%，可稳定扩展至数万亿 token。 -
可扩展异步强化学习框架：训推分离设计，提升硬件利用率，支持动态负载均衡和细粒度故障恢复；结合 FP8 训推、投机采样等技术，端到端加速 3×–5×，可扩展百万级 Agent 脚手架与环境，增强模型泛化能力。 - 使用方式：多渠道交互与灵活调用
Qwen3.5 提供两种核心使用方式，支持个人用户与开发者 / 企业的不同需求： -
Qwen Chat 交互：提供自动、思考、快速三种模式，自动模式支持自适应思考 + 工具调用（搜索、代码解释器），思考模式针对难题深度推理，快速模式直接回答不消耗思考 token。 -
阿里云百炼 API 调用：支持调用旗舰模型 Qwen3.5-Plus，通过传入 enable_thinking（开启链式推理）、enable_search（开启联网搜索 + Code Interpreter）参数实现高级能力；可无缝集成 Qwen Code、OpenClaw 等第三方编程工具，实现流畅的 vibe coding 体验。 - 核心能力演示：多场景智能体落地
Qwen3.5 具备强大的代码智能体与视觉智能体能力，可落地于多个实际场景，核心能力包括： -
代码及智能体：支持网页开发、游戏代码生成，与 OpenClaw 集成实现搜索 + 报告生成，基于 Qwen Code 实现自然语言转代码、实时迭代开发的 vibe coding。 -
视觉智能体：可自主操作手机 / 电脑完成 GUI 任务（如 Excel 数据整理）；视觉编程可将手绘草图转前端代码、游戏视频还原逻辑；空间智能具备精准的物体计数、位置判断能力，适用于自动驾驶场景理解；还支持带图推理（如迷宫最短路径求解）、视觉推理（如找不同、学科解题）等精细化视觉分析。 - 总结与未来工作
-
现有成果：Qwen3.5 凭借高效混合架构与原生多模态推理，为通用数字智能体奠定坚实基础，在推理、编程、多模态理解等方面显著提升生产力。 -
未来方向：从模型规模转向系统整合，重点构建具备跨会话持久记忆的智能体、面向真实世界的具身接口、自我改进机制，目标打造长期自主运行、逻辑一致的系统，将任务型助手升级为可持续、可信任的伙伴。 - 引用规范
若 Qwen3.5 对研究 / 开发有帮助，可通过指定 bibtex 格式引用，标注标题《Qwen3.5: Accelerating Productivity with Native Multimodal Agents》、博客地址、作者 Qwen Team 及发布时间 2026 年 2 月。 -
关键问题Q&A
问题 1（架构与效率）：Qwen3.5-397B-A17B 的核心架构设计有何创新？该设计如何实现效率与能力的平衡？
答案：核心架构创新为采用线性注意力（Gated Delta Networks）与稀疏混合专家（MoE）相结合的混合架构；同时基于 Qwen3-Next 架构做了进一步优化，融合更高稀疏度的 MoE、Gated DeltaNet + Gated Attention 混合注意力、稳定性优化与多 token 预测技术。效率与能力的平衡体现在：一是参数量设计上，总参数量达 3970 亿保障模型能力，而每次前向传播仅激活 170 亿参数，大幅降低推理的计算成本与速度；二是解码吞吐量大幅提升，32k/256k 上下文长度下，其解码吞吐量分别是 Qwen3-Max 的 8.6 倍 / 19.0 倍，且性能与参数量超 1T 的 Qwen3-Max-Base 持平；三是依托异构基础设施的稀疏激活实现跨模块计算重叠，在混合模态数据上达到近 100% 的训练吞吐，兼顾训练效率与多模态能力。
问题 2（性能表现）：Qwen3.5 在多模态能力上的核心优势体现在哪些方面？有哪些关键基准数据可以佐证？
答案：Qwen3.5 的原生多模态核心优势体现在STEM 解谜、文档识别与理解、视频推理、空间智能、视觉精细化推理五大方面，且相近规模下性能优于 Qwen3-VL，多项基准得分追平或超越 GPT5.2、Claude 4.5 Opus 等前沿模型。关键佐证数据：①文档理解方面，OmniDocBench1.5 得分 90.8，高于 GPT5.2（85.7）、Claude 4.5 Opus（87.7）；②STEM 解谜方面，MathVision 得分 88.6，高于 GPT5.2（83.0）、Gemini-3 Pro（86.6）；③视频推理方面，带字幕的 Video-MME 得分 87.5，接近 GPT5.2（86.0）与 Gemini-3 Pro（88.4）；④空间智能方面，CountBench 得分 97.2，接近 Gemini-3 Pro（97.3），RefCOCO (avg) 得分 92.3，优于 Qwen3-VL-235B-A22B（91.1）；⑤视觉推理方面，HallusionBench 得分 71.4，高于 GPT5.2（65.2）、Claude 4.5 Opus（64.1）。
问题 3（实际应用）：开发者 / 企业如何调用 Qwen3.5 的高级能力？其支持哪些实际场景的落地应用？
答案：1. 高级能力调用方式：可通过阿里云百炼调用 Qwen3.5-Plus 的 API 版本，通过在请求中传入enable_thinking（开启链式推理的推理模式）、enable_search（开启联网搜索与 Code Interpreter）参数，即可启用推理、联网、代码解释等高级能力；同时该 API 可无缝集成 Qwen Code、Claude Code、OpenClaw 等第三方编程工具，实现更丰富的功能扩展。此外，普通用户可通过 Qwen Chat 的自动模式直接使用自适应思考与工具调用的高级能力。2. 落地应用场景：①代码开发场景：网页开发、游戏代码生成、实时迭代的 vibe coding、结构化报告生成；②办公自动化场景：自主操作 Excel / 电脑 / 手机完成数据整理、多步骤流程自动化；③视觉创作与分析场景：手绘草图转前端代码、游戏视频逻辑还原、长视频内容结构化提炼；④智能分析场景：自动驾驶场景理解、机器人导航、迷宫求解、找不同、学科解题等视觉推理与空间分析。