Ну чё, малютки, Alibaba снова жжёт 🔥
15 февраля 2026 года Alibaba выкатила Qwen3.5-397B-A17B — флагман новой серии. А 24 февраля подъехали «средние» модели: Qwen3.5-35B-A3B, Qwen3.5-122B-A10B и Qwen3.5-27B. И знаете что? Это не очередной апдейт с +2% на бенчмарках. Это полноценный сдвиг парадигмы.
Пока все гоняются за триллионами параметров, китайцы сделали ставку на архитектурную элегантность, качественные данные и вычислительную эффективность. И, если честно, это сработало.
Qwen3.5-35B-A3B с 3 лярдами активных параметров рвёт Qwen3-235B-A22B с 22 лярдами активных. Три лярда бьют двадцать два. Умная архитектура + качественные данные > грубая сила масштаба.
Общее число параметров флагмана — но только 17B активируются при каждом проходе. Остальные сидят и ждут своей очереди. MoE, малютки.
С 119 до 201 языка и диалекта. Самый широкий охват среди открытых моделей. Даже ваш диалект, наверное, поддерживается.
В 19 раз быстрее Qwen3-Max на длинных контекстах (256k токенов). Не опечатка — девятнадцать.
Миллион токенов контекста — это ~2 часа видео или целая кодовая база. Закидываешь весь проект и спрашиваешь «что не так».
Как Qwen дошёл до жизни такой
Серия Qwen прошла дикий путь за два года. Каждое поколение — не просто +5% на бенчмарках, а принципиально новые возможности. От «ну, норм модель» до «стоп, это реально конкурент GPT?».
С Qwen3.5 Alibaba поставила на три лошади: мощность (больше визуально-текстовых токенов при обучении), эффективность (гибридный MoE с дикой разреженностью) и универсальность (нативная мультимодальность + 201 язык). И все три пришли первыми.
Qwen3.5 vs Qwen3: Апдейт или новая эра?
Малютки, давайте разберёмся — это просто +0.5 к версии или реально новый уровень? Спойлер: это не апдейт. Это другая модель.
Матрица характеристик
Вот вам наглядно — флагманы лоб в лоб: Qwen3-235B-A22B против Qwen3.5-397B-A17B.
Что поменялось под капотом
Qwen3.5 притащил гибридное внимание — Gated Delta Networks (GDN) + Gated Attention (GA) вместо стандартного GQA у Qwen3. Плюс разреженность MoE выросла с 9.4% до 4.3% — модель активирует ещё меньше параметров на каждый токен, но при этом работает лучше. Магия? Нет, инженерия.
235B параметров, 22B активных. Стандартный GQA. Разреженность MoE: 9.4%. 119 языков. Был хорош, но время пришло.
397B параметров, 17B активных. Гибридный GDN+GA. Разреженность MoE: 4.3%. 201 язык. До 19× быстрее. Другая лига.
Бенчмарки: цифры не врут
Qwen3.5-397B-A17B стабильно рвёт Qwen3-Max-Thinking по всем фронтам — инструкции, агентные задачи, мультиязычность.
Базовые модели: прогресс на фундаментальном уровне
Даже без инструктивного тюнинга — base-модель Qwen3.5-397B-A17B показывает серьёзный отрыв в знаниях (MMLU-Pro, SuperGPQA) и кодировании (SWE-agentless).
Это не эволюция, малютки. Это революция. Новая архитектура, нативное зрение, дикая эффективность — Qwen3.5 задаёт новый стандарт для открытых моделей. Точка.
Архитектура: Что у этого зверя внутри 🔬
Окей, малютки, теперь самое вкусное — что под капотом. Сердце Qwen3.5 — гибридная архитектура Qwen3-Next, которая собрала в себе все актуальные инженерные решения.
397 лярдов параметров, но только 17B работают на каждый токен. Остальные — резерв. Router решает, кого будить. Эффективность — космос.
Линейное внимание GDN + стандартные Gated Attention блоки. Соотношение 3:1 — три линейных слоя на один полный. Быстро и точно.
Early fusion — текст и картинки сливаются ещё при предобучении. Модель «видит» с рождения, а не учится видеть через костыли постфактум.
Предсказывает несколько токенов за раз. Генерация быстрее, длинные тексты согласованнее. Простая идея — мощный эффект.
Нативный FP8 пайплайн. Память −50%, скорость +10%. Тренировать такого монстра стало реально дешевле.
250K токенов вместо 150K у Qwen3. Эффективность кодирования выросла на 10–60% для большинства языков. Меньше токенов = дешевле инференс.
Спеки Qwen3.5-27B (для тех, кто любит цифры)
| Параметр | Значение |
|---|---|
| Число параметров | 27 млрд |
| Скрытая размерность | 5120 |
| Число слоёв | 64 |
| Структура слоёв | 16 × (3 × Gated DeltaNet → 1 × Gated Attention) |
| Словарь (токенов) | 248 320 |
| Нативный контекст | 262 144 токена |
| Расширенный контекст (YaRN) | 1 010 000 токенов |
| Поддерживаемые языки | 201 |
Семейство моделей: на любой кошелёк и задачу
Alibaba не ограничилась одним флагманом — выкатили целую линейку, от лёгких API-шных моделей для продакшена до тяжёлых монстров для исследований.
| Модель | Всего | Активных | Тип | Ключевые особенности |
|---|---|---|---|---|
| Qwen3.5-397B-A17B | 397B | 17B | Флагман | Максимум мощности, нативное зрение, 201 язык |
| Qwen3.5-Plus | ~397B | ~17B | Hosted API | 1M контекст, встроенный поиск и Code Interpreter |
| Qwen3.5-122B-A10B | 122B | 10B | Open-Weight | Для серьёзных агентных задач |
| Qwen3.5-35B-A3B | 35B | 3B | Open-Weight | Рвёт Qwen3-235B-A22B при 3B активных. Годнота |
| Qwen3.5-27B | 27B | 27B | Open-Weight | Dense-модель, 1M контекст, 201 язык |
| Qwen3.5-Flash | 35B | 3B | Hosted API | Для продакшена: минимальная задержка |
«Qwen3.5-35B-A3B с 3B активными параметрами превосходит Qwen3-235B-A22B с 22B активными. MoE + качественные данные + RL = интеллект уровня фронтира при доле вычислительных затрат.» — MarkTechPost, 24 февраля 2026
Бенчмарки: Как Qwen3.5 рвёт GPT-5.2 и Claude 4.5 🤯
А теперь самое интересное, малютки. Qwen3.5 не просто «конкурирует» — он реально бьёт GPT-5.2, Gemini 3 Pro и Claude 4.5 Opus на ряде задач.
Цифры, малютки, цифры
| Бенчмарк | GPT-5.2 | Gemini-3 Pro | Claude 4.5 Opus | K2.5-1T | Qwen3.5-397B |
|---|---|---|---|---|---|
| MMLU-Pro (знания) | 87.4 | 89.8 | 89.5 | 87.1 | 87.8 |
| IFBench (инструкции) | 75.4 | 70.4 | 58.0 | 70.2 | 76.5 |
| GPQA (STEM) | 92.4 | 91.9 | 87.0 | 87.6 | 88.4 |
| BFCL-V4 (агенты) | 63.1 | 72.5 | 77.5 | 68.3 | 72.9 |
| BrowseComp (поиск) | 65.8 | 59.2 | 67.8 | 74.9 | 78.6 |
| NOVA-63 (многоязычность) | 54.6 | 56.7 | 56.7 | 56.0 | 59.1 |
| TAU2-Bench (агенты) | 87.1 | 85.4 | 91.6 | 77.0 | 86.7 |
| SWE-bench Verified (код) | 80.0 | 76.2 | 80.9 | 76.8 | 76.4 |
Следование инструкциям (IFBench: 76.5), веб-поиск (BrowseComp: 78.6) и мультиязычность (NOVA-63: 59.1) — именно то, что нужно для агентных сценариев. Если строишь агентов — присмотрись.
Зрение, видео и пространственный интеллект 📷
Малютки, Qwen3.5 — это не «языковая модель с прикрученным зрением». Это нативно мультимодальная система — она видит с рождения.
Топовые результаты на vision-бенчмарках
Лучший OCR среди всех моделей. Читает текст с картинок лучше, чем ты после третьей чашки кофе.
Точно указывает на объекты в изображениях. Ключевая штука для робототехники и GUI-автоматизации.
Решает математику по графикам, диаграммам и формулам. Показываешь картинку — получаешь ответ.
Автономно управляет десктопными приложениями через визуальный интерфейс. Скайнет, ты?
Отдельно кайфую от пространственного интеллекта: подсчёт объектов (CountBench: 97.2), пространственные отношения (EmbSpatialBench: 84.5) и точное указание на объекты (RefCOCO avg: 92.3). Это уже не «модель видит картинку» — это «модель понимает пространство».
Скорость, стоимость и доступность: Главные козыри ⚡
Ладно, малютки, бенчмарки — это круто, но что по скорости и цене? А тут Qwen3.5 вообще рвёт всех.
В 8.6 раз быстрее Qwen3-Max на контексте 32k. Не проценты — разы.
На длинных контекстах (256k) — в 19 раз быстрее. Чем длиннее контекст, тем больше выигрыш. Красота.
Инференс дешевле на 60% по сравнению с предыдущим поколением. Кошелёк скажет спасибо.
Потребление памяти активаций упало вдвое благодаря FP8 пайплайну. Больше моделей на одну тачку.
Сколько VRAM нужно? (INT4 квантизация)
Qwen3.5-35B-A3B с контекстом в 1 миллион токенов работает на потребительской GPU с 32 ГБ VRAM. Модель уровня фронтира — на вашей RTX 4090. Без облака, без подписок, без лярдов на инфру.
Где это применять: Агенты, код, автоматизация 🛠️
Qwen3.5 — это модель для эпохи агентного ИИ. Архитектура заточена под сценарии, где модель сама планирует и выполняет сложные многошаговые задачи. Вот что я вижу как основные юзкейсы:
Интеграция с Qwen Code, Claude Code и другими тулами. Пишет, тестирует, итерирует код по твоим инструкциям. Vibe coding на максималках.
BrowseComp: 78.6, WideSearch: 74.0 — лучший результат. Модель сама лезет в интернет, собирает инфу и синтезирует ответ. Deep research из коробки.
Управляет смартфонами и компами: заполняет таблицы, кликает по кнопкам, автоматизирует рутину. Твой личный RPA-бот.
1M токенов контекста = целая кодовая база или многотомный документ. Без RAG, без костылей — просто закидываешь всё в контекст.
До 2 часов видео: саммари, реверс-инжиниринг игровой логики, UI-наброски → код. Показал видео — получил результат.
Пространственный интеллект + понимание видеопоследовательностей. Для тех, кто строит что-то на колёсах.
Итого, малютки 🫡
Qwen3.5 — это ответ Alibaba на гигантоманию в мире LLM. Пока все наращивают триллионы параметров, китайцы доказали: умная архитектура + качественные данные > грубая сила. И сделали это с открытыми весами.
Что дальше? Согласно официальному блогу Qwen — переход от масштабирования модели к системной интеграции: агенты с персистентной памятью, механизмы самосовершенствования и экономическая осведомлённость. Цель — не просто инструменты, а постоянные партнёры, способные автономно работать над сложными многодневными проектами.
Открытые модели вплотную подошли к проприетарным гигантам, а в ряде задач — уже превзошли их. Следование инструкциям, веб-поиск, мультиязычность — тут Qwen3.5 топ-1. Для нас, разработчиков и исследователей, это огонь. Гоняйте, тестируйте, стройте агентов. Будущее уже здесь.
Источники: