Qwen3.6-35B-A3B 重磅发布：阿里开源新一代 MoE 大模型，编程能力再攀高峰

2025年4月17日，阿里巴巴通义千问团队正式开源 Qwen3.6-35B-A3B 模型。作为 Qwen3.6 系列的首个开源版本，这款模型在 Agentic Coding 和代码生成能力上实现了重大突破，35B 总参数仅激活 3B，性能却超越众多大参数模型。

一、Qwen3.6 是什么？

Qwen3.6 是阿里巴巴通义千问团队推出的最新一代大语言模型系列。继 2025年2月发布 Qwen3.5 系列后，团队在短短两个月内再次带来重磅更新。

1.1 模型定位

Qwen3.6-35B-A3B 是 Qwen3.6 系列的首个开源权重版本，主打以下特点：

• Agentic Coding 专家：在前端工作流和仓库级代码推理方面表现卓越
• 混合专家架构 (MoE)：35B 总参数，仅激活 3B，推理成本大幅降低
• 超长上下文：原生支持 262K tokens，可扩展至 101 万 tokens
• 多模态能力：集成视觉编码器，支持图像理解和视频分析

1.2 核心亮点

根据官方技术报告，Qwen3.6 在以下方面实现了显著提升：

二、技术架构深度解析

2.1 模型规格参数

Qwen3.6-35B-A3B 的技术规格令人印象深刻：

基础架构： - 模型类型：因果语言模型 + 视觉编码器 - 总参数量：35B - 激活参数量：3B（仅 8.6% 的参数被激活） - 隐藏层维度：2048 - 层数：40 层 - 词表大小：248,320

注意力机制： - Gated DeltaNet：32 个线性注意力头（V）+ 16 个头（QK） - Gated Attention：16 个注意力头（Q）+ 2 个头（KV） - 位置编码：RoPE 64 维

MoE 配置： - 专家数量：256 个 - 激活专家：8 个路由专家 + 1 个共享专家 - 专家中间维度：512

2.2 超长上下文支持

Qwen3.6 支持业界领先的长上下文处理能力：

• 原生上下文长度：262,144 tokens（约 20 万字）
• 可扩展长度：最高 1,010,000 tokens（约 75 万字）
• 多步预测 (MTP)：训练时采用多步预测，提升长文本生成质量

这意味着 Qwen3.6 可以： - 一次性处理整本技术书籍 - 分析完整的代码仓库 - 理解长视频的全部内容

三、性能评测：数据说话

3.1 编程能力评测

Qwen3.6-35B-A3B 在编程任务上表现惊艳：

SWE-bench 是业界公认的代码生成能力评测基准，Qwen3.6 在 Verified、Multilingual 和 Pro 三个版本上都取得了显著提升。

3.2 智能体能力评测

在智能体（Agent）任务上，Qwen3.6 同样表现出色：

3.3 数学与推理能力

3.4 视觉-语言能力

Qwen3.6 在多模态任务上也有显著提升：

四、实战部署教程

4.1 环境准备

系统要求： - 操作系统：Linux（推荐 Ubuntu 22.04+） - Python：3.9+ - GPU：NVIDIA GPU 显存 >= 24GB（用于 3B 激活参数推理） - CUDA：>= 11.8

安装依赖：

# 创建虚拟环境
conda create -n qwen36 python=3.10
conda activate qwen36

# 安装 PyTorch
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 安装 Transformers
pip install transformers accelerate

# 安装其他依赖
pip install qwen-vl-utils

4.2 使用 Hugging Face Transformers

from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from qwen_vl_utils import process_vision_info

# 加载模型
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "Qwen/Qwen3.6-35B-A3B",
    torch_dtype="auto",
    device_map="auto"
)
processor = AutoProcessor.from_pretrained("Qwen/Qwen3.6-35B-A3B")

# 准备输入
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "path/to/image.jpg"},
            {"type": "text", "text": "描述这张图片"},
        ],
    }
]

# 生成回复
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to(model.device)

# 生成
outputs = model.generate(**inputs, max_new_tokens=2048)
response = processor.batch_decode(outputs, skip_special_tokens=True)
print(response)

4.3 使用 vLLM 加速推理

对于生产环境，推荐使用 vLLM 进行高效推理：

# 安装 vLLM
pip install vllm

# 启动服务
python -m vllm.entrypoints.openai.api_server \
    --model Qwen/Qwen3.6-35B-A3B \
    --tensor-parallel-size 1 \
    --max-model-len 262144 \
    --port 8000

4.4 使用 SGLang 部署

SGLang 是另一个高性能推理框架：

# 安装 SGLang
pip install sglang>=0.5.10

# 启动服务
python -m sglang.launch_server \
    --model-path Qwen/Qwen3.6-35B-A3B \
    --tp 1 \
    --context-length 262144

4.5 Docker 部署

# 拉取镜像
docker pull vllm/vllm-openai:latest

# 运行容器
docker run --gpus all \
    -p 8000:8000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    vllm/vllm-openai:latest \
    --model Qwen/Qwen3.6-35B-A3B \
    --max-model-len 262144

五、使用体验分享

5.1 编程助手体验

在实际使用中，Qwen3.6 展现出了强大的编程能力：

代码生成： - 能够根据自然语言描述生成完整的代码片段 - 支持多种编程语言：Python、JavaScript、Go、Rust 等 - 代码风格规范，注释清晰

代码审查： - 能够发现代码中的潜在问题 - 提供优化建议和最佳实践 - 解释复杂代码的逻辑

Bug 修复： - 根据错误信息定位问题 - 提供修复方案和代码补丁 - 解释 Bug 产生的原因

5.2 多模态理解体验

Qwen3.6 的视觉理解能力令人印象深刻：

• 图像描述：能够准确描述图片内容，包括物体、场景、文字
• OCR 识别：对图片中的文字识别准确率高
• 图表理解：能够理解图表、流程图、架构图
• 视频分析：支持长视频理解，能够总结视频内容

5.3 长文本处理能力

262K 的上下文长度在实际应用中非常有用：

• 文档分析：可以一次性分析整份技术文档
• 代码仓库：能够理解整个代码仓库的结构和逻辑
• 对话历史：在长对话中保持上下文连贯性

六、与竞品模型对比

6.1 同系列对比

6.2 跨系列对比

与 Claude-Sonnet-4.5 等闭源模型相比，Qwen3.6-35B-A3B 在多项评测中表现接近甚至超越：

• Terminal-Bench 2.0：51.5 vs 42.9（Claude-Sonnet-4.5）
• Claw-Eval：68.7 vs 48.5（Claude-Sonnet-4.5）
• AIME26：92.7 vs 89.2（Claude-Sonnet-4.5）

七、适用场景推荐

7.1 开发者场景

• 代码生成：根据需求生成高质量代码
• Code Review：自动化代码审查
• Bug 修复：辅助定位和修复 Bug
• 技术文档：生成和翻译技术文档

7.2 企业场景

• 智能客服：基于多模态能力的客服系统
• 内容审核：图像和文本内容审核
• 数据分析：图表理解和数据洞察
• 知识库问答：基于长文档的问答系统

7.3 个人用户场景

• 学习助手：编程学习、技术问答
• 创作辅助：文章写作、内容创作
• 图像理解：图片内容分析和理解
• 视频总结：长视频内容总结

八、相关资源

官方资源

• ModelScope: https://modelscope.cn/models/Qwen/Qwen3.6-35B-A3B
• Hugging Face: https://huggingface.co/Qwen/Qwen3.6-35B-A3B
• GitHub: https://github.com/QwenLM/Qwen
• 官方博客: https://qwen.ai/blog?id=qwen3.6-35b-a3b
• 在线体验: https://chat.qwen.ai

技术文档

• 模型卡: 包含详细的技术规格和评测结果
• 使用指南: 官方提供的使用教程
• API 文档: OpenAI 兼容的 API 文档

社区资源

• Discord 群组: Qwen 官方社区
• GitHub Discussions: 技术讨论和问题解答
• Stack Overflow: 问答社区

九、总结

Qwen3.6-35B-A3B 的发布标志着开源大模型在编程能力和 Agentic AI 方面又迈出了一大步。

核心优势： - ✅ 高效推理：35B 参数仅激活 3B，推理成本低 - ✅ 编程专家：在 SWE-bench 等多项评测中表现优异 - ✅ 超长上下文：支持 262K 原生上下文，可扩展至 101 万 tokens - ✅ 多模态能力：视觉-语言任务性能出色 - ✅ 开源免费：Apache 2.0 协议，可商用

适用人群： - 开发者：提升编程效率，辅助代码审查 - 企业：构建智能应用，降低 AI 成本 - 研究者：探索大模型技术，进行二次开发

如果你正在寻找一款高性能、低成本的开源大模型，Qwen3.6-35B-A3B 绝对值得一试！

📚 相关文章推荐

你可能还想看：

1. Google 重磅发布！Gemma 4 开源模型震撼登场，性能碾压 20 倍大模型
2. 零成本调用 GPT-4o！2026 免费大模型 API 深度评测
3. 零成本调用 GPT-4o！2026 免费大模型 API 深度评测
4. 还在纠结选哪个？Claude 4、GPT-5、Gemini 2.5深度对比，2025年最适合你的大模型
5. Unsloth完全指南：让大模型微调速度提升2倍，显存节省70%

📢 关注「Geek 运维」

了解更多最新 Geek 技术分享！

长按识别图中二维码，关注「Geek 运维」公众号，获取： - 最新 AI 技术资讯 - 实用技术教程和工具 - OpenClaw/Skills 使用指南 - 运维开发最佳实践 - 第一手技术资源分享

本文基于 Qwen3.6 官方技术报告和实测体验整理，如有错误欢迎指正。转载请注明出处。