通义千问开源了Qwen3.6-35B-A3B混合专家模型，总参数量350亿但仅激活30亿，在编程任务上表现优异，超越前代并媲美更大规模的密集模型，同时支持多模态功能。该模型已在Qwen Studio上线并提供API，权重完全开源。

标题：Qwen3.6-35B-A3B：面向所有人的智能编码模型正式开源

主要内容： 1. 模型发布
- 继Qwen3.6-Plus发布后，团队开源了Qwen3.6-35B-A3B——一个总参数量350亿、激活参数量仅30亿的稀疏混合专家模型（MoE）。
- 该模型在智能编码任务上表现优异，性能超越前代Qwen3.5-35B-A3B，并媲美更大规模的密集模型（如Qwen3.5-27B和Gemma-31B）。
- 支持多模态思维与非思维模式，是目前最通用的开源模型之一。

2. 核心优势

   • 卓越的智能编码能力：在SWE-bench、Terminal-Bench等基准测试中表现突出。
   • 强大的多模态感知：在视觉语言任务（如RefCOCO、ODInW13）中达到行业领先水平。
   • 高效能设计：仅激活30亿参数即可实现与密集模型相当的性能。

3. 获取方式

   • 交互体验：Qwen Studio
   • API调用：通过阿里云Model Studio的Qwen3.6-Flash接口（即将上线）
   • 模型下载：Hugging Face | ModelScope

4. 性能对比

   • 语言与编码：在SWE-bench Pro测试中得分49.5，超越Gemma-31B（35.7）；终端操作基准Terminal-Bench 2.0得分51.5。
   • 多模态：在MMMU（81.7分）、Mathvista（86.4分）等任务中接近Claude Sonnet 4.5水平，空间推理任务RefCOCO达92.0分。

5. 集成开发

   • 兼容主流编码助手（OpenClaw、Qwen Code、Claude Code），提供终端和API接入方案。
   • 支持preserve_thinking功能，保留历史思维链以优化智能体任务表现。

6. 未来计划

   • 持续扩展Qwen3.6开源家族，推动高效模型的边界。

示例代码（API调用）： python from openai import OpenAI client = OpenAI(base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1") response = client.chat.completions.create( model="qwen3.6-flash", messages=[{"role": "user", "content": "解释什么是情感编程"}], extra_body={"enable_thinking": True} )

引用格式： bibtex @misc{qwen36_35b_a3b, title = {Qwen3.6-35B-A3B：智能编码模型开源}, url = {https://qwen.ai/blog?id=qwen3.6-35b-a3b}, author = {Qwen团队}, year = {2026} }

评论内容总结：

1. 对Qwen团队持续开源的赞赏

   • 尽管团队有重要成员离职，但依然保持开源，受到好评。
   • 关键引用：
     • "A relief to see the Qwen team still publishing open weights, after the kneecapping and departures of Junyang Lin and others!"
     • "China won again in terms of openness."

2. 对模型性能的讨论

   • 用户对Qwen3.6-35B-A3B的性能表示好奇，尤其是与商业模型（如GPT、Sonnet 4.5）或开源模型（如gpt-oss-120b）的对比。
   • 关键引用：
     • "How does this compare to the commercial models like Sonnet 4.5 or GPT? Close enough that the price is right (free)?"
     • "This is surprisingly close to Haiku quality, but open - and Haiku is quite a capable model."

3. 对模型大小和硬件需求的关注

   • 部分用户希望有更小的模型（如9B）以适应本地设备（如36GB Mac）。
   • 关键引用：
     • "I hope the other sizes are coming too(9B for me). Can't fit much context with this on a 36GB mac."
     • "What kind of hardware (preferably non-Apple) can run this model? What about 122B?"

4. 对MoE（混合专家）模型的争议

   • 部分用户认为中等规模的密集模型（如27B）比MoE模型（如35B-A3B）表现更好，尤其是在本地运行场景。
   • 关键引用：
     • "I have found I generally get higher quality outputs from the 27B dense model than the 35B-A3B MOE model."
     • "MoE models appear not upto the task."

5. 对开源和数据隐私的质疑

   • 部分用户对“开源”的定义提出疑问，要求公开训练数据。
   • 关键引用：
     • "open source give me the training data?"
     • "Only thing I need is reasonable promise that my data won't be used for training."

6. 对实际应用场景的探讨

   • 用户讨论如何将模型用于实际开发（如银行、医疗行业），以及本地模型相比商业API的优势。
   • 关键引用：
     • "Small openweight coding models are, imho, the way to go for custom agents tailored to the specific needs of dev shops."
     • "I'm broadly curious how people are using these local models... more value than just renting tokens from Anthropic or OpenAI?"

7. 对模型命名的困惑

   • 部分用户对模型名称中的数字（如3.6-35B-A3B）表示不解。
   • 关键引用：
     • "What do all the numbers 6-35B-A3B mean?"

8. 对AI发展的极端态度

   • 个别用户表达了对AI发展的担忧，甚至希望“将AI降为零”。
   • 关键引用：
     • "I want to reduce AI to zero. Granted, this is an impossible to win fight..."

主要观点分布：

• 正面评价：赞赏开源、性能接近商业模型、适合特定行业需求。
• 负面评价：对MoE模型的质疑、硬件要求高、数据隐私担忧。
• 中立讨论：模型对比、实际应用场景、命名规则解释。