Realtime Photorealistic Face Rendering with Qwen3.5

•Qwen3.5-122B-A10B採用混合式架構，結合了門控Delta網路（Gated Delta Networks）與稀疏專家混合（Mixture-of-Experts, MoE）模型，總參數達1220億，其中每代幣活躍參數為100億，旨在實現高吞吐量推理並降低延遲與成本開銷。
•該模型基於統一的視覺-語言基礎進行早期融合訓練，使其具備原生的多模態能力，並在推理、編碼、代理功能和視覺理解等基準測試中表現出色，超越了先前的Qwen3-VL模型。
•Qwen3.5-122B-A10B支援262,144個代幣的原生上下文窗口，並可透過YaRN技術擴展至100萬個代幣，同時將語言支援範圍擴展至201種語言和方言。
•Qwen3.5系列模型具備視覺代理能力，經過廣泛的UI截圖訓練，能夠識別並操作行動和桌面介面，執行多步驟工作流程，例如填寫表格、導航應用程式和更改系統設定。

模型架構: 混合式架構，結合門控Delta網路（Gated Delta Networks）與稀疏專家混合（Mixture-of-Experts, MoE）模型。
參數規模: 總參數為1220億，每代幣活躍參數為100億。
層數與佈局: 48層，隱藏層佈局為12 × (3 × (Gated DeltaNet → MoE) → 1 × (Gated Attention → MoE))。
專家數量: MoE區塊包含256個專家，每代幣激活8個路由專家和1個共享專家。
上下文窗口: 原生支援262,144個代幣，可透過YaRN擴展至1,010,000個代幣。
訓練策略: 採用多模態代幣的早期融合訓練，以及在百萬代理環境中進行可擴展的強化學習，實現近100%的多模態訓練效率。
視覺編碼器: 採用Qwen3.5的視覺編碼器處理圖像和影片，並在圖像和影片數據混合集上進行訓練。
分詞器: Qwen3.5分詞器採用位元組級別的位元組對編碼（byte-level byte-pair encoding），詞彙量為250k。
硬體部署要求: 部署Qwen3.5-122B-A10B需要4個NVIDIA B200 GPU、8個NVIDIA H100 GPU或8個NVIDIA A100 GPU。

AI模型驅動的即時視覺合成將在虛擬實境和擴增實境應用中變得普及。

Qwen3.5在即時照片級人臉渲染方面的能力，結合其多模態理解和代理功能，使其成為創建高度沉浸式和互動式虛擬體驗的理想選擇。

多模態AI模型將加速跨行業的自動化和代理系統的發展。

Qwen3.5的視覺代理能力，使其能夠理解並操作數位介面，預示著AI能夠自主執行複雜、多步驟任務的未來。

邊緣設備上的高性能AI渲染將變得更加可行。

Qwen3.5系列包含小型模型（如0.8B），並已展示在WebGPU瀏覽器中本地運行的能力，這表明未來可以在消費級設備上實現複雜的即時渲染。

2023-04

阿里巴巴推出Qwen（通義千問）測試版。

2023-08

Qwen-7B及多模態Qwen-VL模型作為首批開源模型發布。

2024-06

Qwen2系列開源模型發布。

2025-01

Qwen2.5-Max發布，在多項基準測試中表現出色。

2026-02-16

阿里巴巴雲全球發布Qwen3.5系列，包括旗艦模型Qwen3.5-397B-A17B及雲端託管版Qwen3.5-Plus。

2026-02

Qwen3.5-122B-A10B作為中階多模態基礎模型發布。

使用 Qwen3.5 進行即時照片級人臉渲染