Qwen3.5 Thinking Mode Effects by Model Size

•Qwen3.5 系列於 2026 年 2 月 24 日發佈中型模型變體（35B-A3B、27B、122B-A10B），採用混合專家（MoE）架構，其中 3B 活躍參數的 35B-A3B 模型已超越前代 22B 參數的 Qwen3-235B-A22B，證明架構與數據質量優於純參數規模[1]。
•Qwen3.5 系列整合原生多模態能力，支持文本、視覺、UI 互動與結構化內容的聯合訓練，在 262K 代幣上下文長度內實現像素級接地與文檔理解，相比前代 Qwen3-Max 在 256K 代幣長上下文任務中解碼速度提升 19 倍[2]。
•FP8 量化管線將運行所需記憶體減少 50%，在萬億代幣規模下速度提升超過 10%，使 4 位元量化版本可在 Mac Studio/Pro M-series Ultra（256GB RAM）或多 GPU 配置上運行，顯著降低部署門檻[2]。
•122B-A10B 模型在專家級基準測試中領先，MMMU-Pro 達 76.9、MMLU-Pro 達 86.7、SuperGPQA 達 67.1，配備 256 個專家與 8 個路由專家，專門針對長文檔多步驟視覺推理與複雜跨模態指令跟隨優化[3]。

Qwen3.5 中型系列架構詳解

Qwen3.5-35B-A3B：35B 總參數，3B 活躍參數，MoE + 混合注意力架構，262K 代幣上下文，可在 8GB+ VRAM GPU 上運行 GGUF 量化版本[1]
Qwen3.5-27B：27B 密集模型（所有參數每次前向傳播均激活），262K 代幣上下文，提供可預測的每代幣延遲，適合實時應用[3]
Qwen3.5-122B-A10B：122B 總參數，10B 活躍參數，256 個專家、8 個路由專家、1 個共享專家，262K 代幣上下文，適配 NVIDIA DGX Spark 硬體[1][3]
混合架構：結合線性注意力機制與門控增量網絡（Gated Delta Networks），支持原生多模態（文本、圖像、UI 截圖、結構化內容）聯合訓練[4]
量化支持：FP16/BF16 完整模型需 ~800GB VRAM；4 位元量化需 ~220GB 統一記憶體；FP8 管線相比 FP16 減少 50% 記憶體需求[2]
推理優化：相比 Qwen3-Max，256K 代幣長上下文任務解碼速度提升 19 倍，標準工作流程提升 8.6 倍，同時保持推理與編碼性能[2]

小型 MoE 模型將主導邊緣與私有基礎設施部署

3B 活躍參數模型超越 22B 前代版本，結合 8GB+ VRAM 運行能力，預示著邊緣計算與本地部署將優先採用高效 MoE 架構而非密集模型。

思考模式對 27B+ 模型的邊際效益遞減將推動推理優化重點轉向架構創新

既然大型模型本質強度已足夠，未來優化將聚焦於混合注意力、專家路由與量化技術，而非單純增加推理代幣。

多模態能力與長上下文支持將成為中型模型的標準配置

Qwen3.5 系列全線支持 262K 代幣與原生多模態，預示競爭者將被迫在中型模型中整合視覺與 UI 互動能力。

2026-02

Qwen3.5 旗艦模型 397B-A17B 於 2 月 16 日發佈

2026-02

Qwen3.5 中型系列（35B-A3B、27B、122B-A10B）於 2 月 24 日發佈

Qwen3.5 模型系列 - 思考模式開關影響分析