Qwen 3.5 gefið út: Opinn þyngdarlíkan með 397B breytum, kostnaður lækkaður um 60%
Alibaba hefur nýlega gefið út Qwen 3.5-397B-A17B. Þetta er fyrsta opna þyngdarlíkanið í Qwen 3.5 seríunni.
Kjarnagögn
- Heildarbreytur: 397B
- Virkjaðar breytur: 17B per pass (sparse MoE)
- Gegnumstreymi: 8.6x-19x betra en Qwen 3-Max
- Kostnaður: 60% lægri en Qwen 3
- Tungumálastuðningur: 201 (stækkað úr 119)
Þetta er ekki einföld stafla af breytum. Þetta er endurskilgreining á skilvirkni.
Nýjungar í arkitektúr
Qwen 3.5 notar blendinga arkitektúr:
- Gated Delta Networks + sparse MoE
- Blendinga línuleg athygli: Flest lög nota línulega athygli, hvert 4. lag notar fulla athygli
- Innbyggt fjölbreytileiki: Ekki bætt við seinna, heldur þjálfað frá grunni
Það er tæknileg greining á X:
"Qwen3.5-397B-A17B: Hybrid linear attention + sparse MoE with large-scale RL environment scaling." — @Alibaba_Qwen
Merking þessa arkitektúrs er: Að ná frammistöðu nálægt 400B líkani með 17B virkjum breytum. Ályktunarkostnaður lækkar verulega.
Frammistöðuyfirlýsingar
Alibaba fullyrðir að Qwen 3.5 hafi sigrað:
- GPT-5.2
- Claude Opus 4.5
- Gemini 3 Pro
Óháðir prófarar á X eru byrjaðir að staðfesta:
"Qwen 3.5-397B dropped today... and the benchmarks are insane. Trading blows with Claude Opus 4.5 and GPT-5.2 across the board." — @antonpme
En það mikilvægasta er ekki viðmiðunarprófanir, heldur umboðsgeta:
"The agentic capabilities are the real story here. Qwen 3.5 can interact with GUIs, not just understand them. That's the unlock for workflows that touch existing software." — @thebuildrweekly
Umboðstíminn
Staðsetning Qwen 3.5 er mjög skýr: Hönnuð fyrir umboðstímann.
- Getur greint 2ja tíma myndbönd
- Getur sjálfstætt framkvæmt verkefni á milli forrita
- Getur skilið GUI og átt samskipti við það
"Qwen 3.5 can independently take actions across apps." — @thebuildrweekly
Þetta þýðir að það er ekki „spjallbotni“, heldur „verkefnaframkvæmdaraðili“.
Samkeppnislandslag
Einhver á X dró saman AI útgáfur þessarar viku:
"This might be the single biggest week in AI history: DeepSeek V4, Gemini 3.1 Pro, GPT-5.3, Qwen 3.5, Claude Sonnet 5." — @HeyAbhishek
Taktur kínverskra líkanaframleiðenda er mjög skýr:
- DeepSeek V4
- Qwen 3.5
- GLM 5
- MiniMax 2.5
Nýtt líkan í hverri viku, hvert og eitt fullyrðir að það sigri GPT. Þetta er ekki markaðssetning, þetta er uppfærsla á kostnaðarstríði.
Kostnaðarsamsetning
Token verð Qwen 3.5 er aðeins 1/18 af Gemini 3 Pro.
"Qwen 3.5 with performance comparable to Gemini 3, and a token price of only 1/18 of the latter." — @dyz_ob
Þegar frammistaðan er svipuð og kostnaðurinn er aðeins 5%, hvar er varnargarður lokaðra líkana?
Niðurstaða
Qwen 3.5 er ekki „kínverskt GPT“. Það er truflun á kostnaðarsamsetningu:
- 397B breytur, en aðeins 17B virkjaðar
- Opin þyngd, hægt að setja upp staðbundið
- Umboðsgeta, ekki bara samtal
- Kostnaður aðeins 5% af keppinautum
Það er áhugaverð spá á X:
"Qwen 3.5 Q4 版本只需要 225G，很有实用价值" — @janxin
225GB af minni, hægt að keyra á einni vél. Þetta þýðir að litlir og meðalstórir þróunaraðilar geta í fyrsta skipti fengið aðgang að líkani sem er nálægt GPT-5 stigi.
Raunverulega spurningin er ekki hvort Qwen 3.5 geti sigrað GPT-5.3, heldur: Hvernig græða AI fyrirtæki peninga þegar kostnaður við efstu líkön lækkar í næstum núll?
