Qwen 3.5 प्रकाशित: 397B पॅरामीटर्सचे ओपन वेट मॉडेल, खर्च 60% नी कमी
अलीबाबाने नुकतेच Qwen 3.5-397B-A17B प्रकाशित केले आहे. Qwen 3.5 मालिकेतील हे पहिले ओपन वेट मॉडेल आहे.
मुख्य आकडेवारी
- एकूण पॅरामीटर्स: 397B
- ॲक्टिव्ह पॅरामीटर्स: 17B per pass (स्पार्स MoE)
- थ्रूपुट: Qwen 3-Max पेक्षा 8.6x-19x जास्त
- खर्च: Qwen 3 पेक्षा 60% कमी
- भाषा समर्थन: 201 (119 वरून वाढवले)
हे फक्त पॅरामीटर्सची वाढ नाही. ही कार्यक्षमतेची पुनर्व्याख्या आहे.
आर्किटेक्चरमधील नविनता
Qwen 3.5 हे संकरित आर्किटेक्चर वापरते:
- Gated Delta Networks + स्पार्स MoE
- संकरित रेषीय अटेंशन: बहुतेक स्तर रेषीय अटेंशन वापरतात, प्रत्येक 4 थ्या स्तरावर पूर्ण अटेंशन वापरले जाते.
- नेटिव्ह मल्टीमॉडल: हे नंतर जोडलेले नाही, तर सुरवातीपासून प्रशिक्षित केलेले आहे.
X वर तांत्रिक विश्लेषण आहे:
"Qwen3.5-397B-A17B: Hybrid linear attention + sparse MoE with large-scale RL environment scaling." — @Alibaba_Qwen
या आर्किटेक्चरचा अर्थ असा आहे: 17B ॲक्टिव्ह पॅरामीटर्स वापरून 400B मॉडेलच्या जवळपास कार्यक्षमता मिळवणे. अनुमान खर्चात मोठी घट.
कार्यक्षमतेचा दावा
अलीबाबाचा दावा आहे की Qwen 3.5 ने खालील गोष्टींना हरवले आहे:
- GPT-5.2
- Claude Opus 4.5
- Gemini 3 Pro
X वरील स्वतंत्र परीक्षकांनी पडताळणी सुरू केली आहे:
"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
परंतु सर्वात महत्वाचे बेंचमार्क नाही, तर एजेंट क्षमता आहे:
"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
एजेंट युग
Qwen 3.5 ची भूमिका स्पष्ट आहे: एजेंट युगासाठी डिझाइन केलेले.
- 2 तासांचे व्हिडिओ विश्लेषण करू शकते
- ॲप्समध्ये स्वतंत्रपणे कार्य करू शकते
- GUI समजू शकते आणि संवाद साधू शकते
"Qwen 3.5 can independently take actions across apps." — @thebuildrweekly
याचा अर्थ हा 'चॅटबॉट' नाही, तर 'कार्य अंमलबजावणी करणारा' आहे.
स्पर्धात्मक परिस्थिती
X वर या आठवड्यातील AI प्रकाशनांचा सारांश दिला आहे:
"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
चिनी मॉडेल उत्पादकांची लय स्पष्ट आहे:
- DeepSeek V4
- Qwen 3.5
- GLM 5
- MiniMax 2.5
दर आठवड्याला नवीन मॉडेल येत आहेत, प्रत्येक GPT ला हरवण्याचा दावा करत आहे. हे मार्केटिंग नाही, तर खर्च युद्धाचा उद्रेक आहे.
खर्च रचना
Qwen 3.5 च्या टोकनची किंमत Gemini 3 Pro च्या तुलनेत फक्त 1/18 आहे.
"Qwen 3.5 with performance comparable to Gemini 3, and a token price of only 1/18 of the latter." — @dyz_ob
जेव्हा कार्यक्षमता जवळपास सारखीच असते आणि खर्च फक्त 5% असतो, तेव्हा क्लोज्ड-सोर्स मॉडेलचा फायदा काय?
निष्कर्ष
Qwen 3.5 हे 'चीनचे GPT' नाही. हे खर्च संरचनेला उलथून टाकणारे आहे:
- 397B पॅरामीटर्स, परंतु फक्त 17B ॲक्टिव्ह
- ओपन वेट, स्थानिक पातळीवर तैनात करता येते
- एजेंट क्षमता, केवळ संवाद नाही
- खर्च प्रतिस्पर्धकांच्या तुलनेत फक्त 5%
X वर एक मनोरंजक अंदाज आहे:
"Qwen 3.5 Q4 आवृत्तीला फक्त 225G ची आवश्यकता आहे, हे खूप उपयुक्त आहे" — @janxin
225GB VRAM, सिंगल मशीनवर चालवता येते. याचा अर्थ लहान आणि मध्यम आकाराचे डेव्हलपर्स GPT-5 स्तरावरील मॉडेलपर्यंत पोहोचू शकतात.
खरा प्रश्न Qwen 3.5 GPT-5.3 ला हरवू शकते की नाही हा नाही, तर जेव्हा टॉप मॉडेलचा खर्च जवळजवळ शून्यावर येतो, तेव्हा AI कंपन्या पैसे कसे कमवतील?
