Qwen 3.5 విడుదల: 397B పారామీటర్ల ఓపెన్ వెయిట్ మోడల్, ఖర్చు 60% తగ్గింపు
అలీబాబా ఇప్పుడే Qwen 3.5-397B-A17Bని విడుదల చేసింది. ఇది Qwen 3.5 సిరీస్లో మొదటి ఓపెన్ వెయిట్ మోడల్.
ముఖ్యమైన డేటా
- మొత్తం పారామీటర్లు: 397B
- యాక్టివ్ పారామీటర్లు: 17B per pass (విರಳ MoE)
- త్రుపుట్: Qwen 3-Max కంటే 8.6x-19x ఎక్కువ
- ఖర్చు: Qwen 3 కంటే 60% తక్కువ
- భాషా మద్దతు: 201 (119 నుండి విస్తరించబడింది)
ఇది సాధారణ పారామీటర్ల స్టాకింగ్ కాదు. ఇది సమర్థత యొక్క పునర్నిర్వచనం.
ఆర్కిటెక్చర్ ఆవిష్కరణ
Qwen 3.5 మిశ్రమ ఆర్కిటెక్చర్ను ఉపయోగిస్తుంది:
- Gated Delta Networks + విರಳ MoE
- మిశ్రమ లీనియర్ అటెన్షన్: చాలా లేయర్లు లీనియర్ అటెన్షన్ను ఉపయోగిస్తాయి, ప్రతి 4 లేయర్లకు పూర్తి అటెన్షన్
- స్థానిక మల్టీమోడల్: ఇది తరువాత జోడించబడలేదు, కానీ మొదటి నుండి శిక్షణ పొందింది
Xలో సాంకేతిక విశ్లేషణ ఉంది:
"Qwen3.5-397B-A17B: Hybrid linear attention + sparse MoE with large-scale RL environment scaling." — @Alibaba_Qwen
ఈ ఆర్కిటెక్చర్ యొక్క ప్రాముఖ్యత ఏమిటంటే: 17B యాక్టివ్ పారామీటర్లతో దాదాపు 400B మోడల్ పనితీరును సాధించడం. అనుమితి వ్యయం గణనీయంగా తగ్గింది.
పనితీరు ప్రకటన
Qwen 3.5 వీటిని ఓడించిందని అలీబాబా పేర్కొంది:
- GPT-5.2
- Claude Opus 4.5
- Gemini 3 Pro
Xలోని స్వతంత్ర పరీక్షకులు ధృవీకరించడం ప్రారంభించారు:
"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
కానీ ముఖ్యమైన విషయం బెంచ్మార్క్లు కాదు, ఏజెంట్ సామర్థ్యం:
"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
ఏజెంట్ యుగం
Qwen 3.5 యొక్క స్థానం స్పష్టంగా ఉంది: ఏజెంట్ యుగం కోసం రూపొందించబడింది.
- 2 గంటల వీడియోను విశ్లేషించగలదు
- క్రాస్-యాప్ టాస్క్లను స్వతంత్రంగా అమలు చేయగలదు
- GUIని అర్థం చేసుకోగలదు మరియు దానితో సంభాషించగలదు
"Qwen 3.5 can independently take actions across apps." — @thebuildrweekly
దీని అర్థం ఇది "చాట్బాట్" కాదు, "టాస్క్ ఎగ్జిక్యూటర్".
పోటీ దృశ్యం
Xలో ఒకరు ఈ వారం AI విడుదలను సంగ్రహించారు:
"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
చైనీస్ మోడల్ తయారీదారుల లయ స్పష్టంగా ఉంది:
- DeepSeek V4
- Qwen 3.5
- GLM 5
- MiniMax 2.5
ప్రతి వారం కొత్త మోడల్ వస్తుంది, ప్రతిసారీ GPTని ఓడించినట్లు పేర్కొంటున్నారు. ఇది మార్కెటింగ్ కాదు, ఇది ఖర్చు యుద్ధం యొక్క పెరుగుదల.
వ్యయ నిర్మాణం
Qwen 3.5 యొక్క టోకెన్ ధర Gemini 3 Pro కంటే 1/18 మాత్రమే.
"Qwen 3.5 with performance comparable to Gemini 3, and a token price of only 1/18 of the latter." — @dyz_ob
పనితీరు దగ్గరగా ఉన్నప్పుడు మరియు ఖర్చు 5% మాత్రమే ఉన్నప్పుడు, క్లోజ్డ్ సోర్స్ మోడల్ యొక్క కోట ఎక్కడ ఉంది?
బాటమ్ లైన్
Qwen 3.5 "చైనా యొక్క GPT" కాదు. ఇది వ్యయ నిర్మాణం యొక్క విచ్ఛిన్నం:
- 397B పారామీటర్లు, కానీ 17B మాత్రమే యాక్టివేట్ చేయబడ్డాయి
- ఓపెన్ వెయిట్, స్థానికంగా అమలు చేయవచ్చు
- ఏజెంట్ సామర్థ్యం, సంభాషణ మాత్రమే కాదు
- ఖర్చు పోటీదారుల కంటే 5% మాత్రమే
Xలో ఒక ఆసక్తికరమైన అంచనా ఉంది:
"Qwen 3.5 Q4 వెర్షన్ 225G మాత్రమే అవసరం, ఇది చాలా ఆచరణాత్మకమైనది" — @janxin
225GB వీడియో మెమరీ, ఒకే మెషీన్లో రన్ చేయవచ్చు. దీని అర్థం చిన్న మరియు మధ్య తరహా డెవలపర్లు మొదటిసారిగా GPT-5 స్థాయికి దగ్గరగా ఉన్న మోడల్ను యాక్సెస్ చేయగలరు.
Qwen 3.5 GPT-5.3ని ఓడిస్తుందా అనేది నిజమైన ప్రశ్న కాదు, కానీ: టాప్ మోడల్స్ ఖర్చు దాదాపు సున్నాకు పడిపోయినప్పుడు, AI కంపెనీలు ఎలా డబ్బు సంపాదిస్తాయి?
