Qwen3.6 35B-A3B

qwen3.6-35b-a3b

Qwen3.6 35B A3B reprend les éléments mis en avant par les sources : 35B total / about 3B actifs MoE, long contexte extendable toward 1M tokens. Sa valeur principale se situe dans déploiement efficace, programmation benchmarks and long contextee raisonnement. La description doit donc insister sur ces caractéristiques propres au modèle, plutôt que le présenter comme un chatbot générique.

Context Window

262.1K tokens

Maximum Output

65.5K tokens

Release Date

17 avr. 2026

Modalities

Prix de Qwen3.6 35B-A3B

Prix entrée	Prix sortie
$0.2571/M	$1.5429/M

Fonctionnalités API de Qwen3.6 35B-A3B

Reasoning

Supported

Tool calling

Supported

Temperature parameter

Supported

Attachments

Supported

Knowledge Base

—

Endpoint Protocols

Completions APIMessages APIgemini

Points forts de Qwen3.6-35B-A3B

Qwen3.6-35B-A3B associe une architecture MoE clairsemée à poids ouverts, un traitement vision-langage natif et un codage agentique amélioré.

Efficacité du MoE clairsemé

Son architecture hybride mêle attention linéaire et experts clairsemés, en activant environ 3 milliards de paramètres sur 35 milliards afin d’améliorer l’efficacité d’inférence.

Multimodalité native

Sa conception vision-langage native accepte le texte, les images et la vidéo, puis produit du texte fondé sur leur contenu visuel.

Codage agentique à poids ouverts

Ce modèle post-entraîné à poids ouverts améliore les processus frontend et le raisonnement à l’échelle d’un dépôt, tout en permettant un déploiement autonome.

Cas d’usage de Qwen3.6-35B-A3B

Qwen3.6-35B-A3B convient aux agents de programmation déployés de façon autonome, à l’analyse de dépôts et au raisonnement visuel sur des images ou des vidéos.

Agent de programmation auto-hébergé

Déployer les poids ouverts dans un environnement maîtrisé afin de générer, réviser et déboguer du code au moyen de processus agentiques itératifs.

Analyse de dépôts de code

Retracer les relations entre les fichiers d’un dépôt, expliquer la structure de l’implémentation et préparer un plan de modifications coordonnées.

Analyse de médias visuels

Analyser des images ou des vidéos pour localiser les objets, interpréter leurs relations spatiales et produire un compte rendu textuel structuré.

Comment utiliser Qwen3.6 35B-A3B via l’API TokenHub

Create API key

import OpenAI from "openai"

const client = new OpenAI({
  apiKey: process.env.TOKENHUB_API_KEY,
  baseURL: "https://us-api.tokenhub.com/v1",
})

const result = await client.chat.completions.create({})
console.log(result.choices[0]?.message?.content)

Benchmark de Qwen3.6 35B-A3B

Score d’indice
Artificial Analysis Intelligence IndexL’indice d’intelligence d’Artificial Analysis synthétise les capacités générales du modèle dans plusieurs familles d’évaluation.	Synthèse générale des capacités par Artificial Analysis	33
Artificial Analysis Coding IndexL’indice de programmation d’Artificial Analysis synthétise les performances du modèle en programmation et en ingénierie logicielle.	Synthèse des tâches logicielles par Artificial Analysis	35.2
Connaissances et raisonnement
GPQAGPQA est un benchmark scientifique de niveau universitaire supérieur conçu pour évaluer le raisonnement expert.	Résolution avancée de problèmes scientifiques	84.1%
HLEHLE est un benchmark vaste et exigeant qui évalue les connaissances et le raisonnement de niveau expert dans de nombreux domaines.	Large ensemble d’examens de niveau expert	20.2%
Programmation et ingénierie
SciCodeSciCode évalue la programmation Python appliquée au calcul scientifique, notamment l’implémentation d’algorithmes à partir d’un contexte scientifique.	Défis de programmation scientifique	35.8%
Terminal-Bench HardTerminal-Bench Hard évalue la capacité d’un agent IA à accomplir des tâches difficiles dans un environnement de terminal.	Exécution de tâches complexes dans un terminal	34.8%
Respect des instructions et tâches d’agent
IFBenchIFBench mesure la fiabilité avec laquelle un modèle respecte des instructions et des contraintes détaillées.	Respect des contraintes du prompt	64.4%
AA-LCRAA-LCR mesure la qualité du raisonnement sur de longues fenêtres de contexte.	Raisonnement en contexte long	63.7%
τ²-Benchτ²-Bench évalue les agents conversationnels dans des workflows réalistes soumis à des contraintes d’outils et d’état.	Tâches de workflow agentique	95.3%

Mesures provenant de Artificial Analysis

FAQ sur Qwen 3.6 35B A3B

Capacités, usages, limites et guide TokenHub pour Qwen 3.6 35B A3B.

Sur quoi Qwen 3.6 35B A3B se concentre-t-il ?+

Qwen 3.6 35B A3B est un modèle proposé par Alibaba Qwen pour le raisonnement multimodal ouvert et les déploiements efficaces.

Quels projets conviennent à Qwen 3.6 35B A3B ?+

Idéal pour le déploiement auto-hébergé, la compréhension d’images et de vidéos et l’assistance courante au code, surtout si l’objectif est le contrôle du déploiement.

Qu’a de particulier Qwen 3.6 35B A3B ?+

Atout clé : une variante MoE ouverte avec peu de paramètres actifs ainsi que une pensée hybride alternant entre réflexion et réponse directe.

Quand préférer un autre modèle ?+

Un déploiement ouvert exige de gérer l’infrastructure, le service et l’évaluation. Pour la stabilité en production est prioritaire, envisagez Qwen 3.6 Plus.

Comment éviter une erreur d’identifiant ?+

Utilisez l’ID exact de TokenHub; le service hébergé peut différer de l’auto-hébergement.

Prêt à utiliser Qwen3.6 35B-A3B ?

Accédez à Qwen3.6 35B-A3B et à d’autres modèles d’IA avec une seule clé API TokenHub.

Créer une clé API

Qwen3.6 35B-A3B

Prix de Qwen3.6 35B-A3B

Fonctionnalités API de Qwen3.6 35B-A3B

Points forts de Qwen3.6-35B-A3B

Efficacité du MoE clairsemé

Multimodalité native

Codage agentique à poids ouverts

Cas d’usage de Qwen3.6-35B-A3B

Agent de programmation auto-hébergé

Analyse de dépôts de code

Analyse de médias visuels

Comment utiliser Qwen3.6 35B-A3B via l’API TokenHub

Benchmark de Qwen3.6 35B-A3B

Modèles similaires à Qwen3.6 35B-A3B

Medias Et Discussions

X (Twitter)

Reddit

YouTube

FAQ sur Qwen 3.6 35B A3B

Prêt à utiliser Qwen3.6 35B-A3B ?