Can I run Qwen3.5 397B-A17B locally?

Oui, les poids sont ouverts et publiés sur Hugging Face dans le dépôt Qwen/Qwen3.5-397B-A17B, compatibles avec vLLM, SGLang et KTransformers. Avec 397 milliards de paramètres, un matériel conséquent est nécessaire ; la plupart des utilisateurs locaux utilisent une version quantifiée.

What does it cost and how long is the context?

Via API, le modèle est tarifé à 0,55 $ par million de tokens en entrée et 3,50 $ par million en sortie, avec un contexte natif de 262 144 tokens. La variante hébergée Qwen3.5-Plus étend cela à 1 million de tokens par défaut.

How does this differ from Qwen3 or Qwen3-VL?

Qwen3.5 utilise un entraînement multimodal en fusion précoce, ce qui signifie que vision et langage sont unifiés dès le départ plutôt que combinés ensuite, et le fabricant affirme qu'il atteint la parité intergénérationnelle avec Qwen3 tout en surpassant les modèles Qwen3-VL sur les benchmarks de raisonnement, codage et compréhension visuelle.

Qwen3.5 397B A17B

4310°

#llm #qwen #vision #vidéo #raisonnement #agents

Lancer ce modèle

Offres / Pub

OpenRouter Terminal / API

Payer par token

Discute avec ce modèle dans le navigateur ou appelle-le depuis ton code avec une clé API.

Qwen | 262,144 token context | $0.50/M input, $3.60/M output. The Qwen3.5 series 397B-A17B native vision-language model is built on a hybrid architecture that integrates a linear attention mechanism with a sparse mixture-of-experts model, achieving higher inference efficiency. It delivers state-of-the-art performance comparable to leading-edge models across a wide range of tasks, including language understanding, logical reasoning, code generation, agent-based tasks, image understanding, video understanding, and graphical user interface (GUI) interactions. With its robust code-generation and agent capabilities, the model exhibits strong generalization across diverse agent.

Guides pour ce modèle

Meilleur LLM local par cas d’usage (octobre 2026) : le bon modèle open source pour chaque tâche

De combien de VRAM ai-je vraiment besoin pour l'IA locale ?

Qu'est-ce qu'un fichier GGUF ? Explication des modèles quantifiés (Q4, Q8, fp8, NF4)

Tous les guides

Notes du capitaine

Écrit par Captain, le rédacteur maison

Notes du 2026-10-13

Qwen3.5 397B-A17B est le modèle phare vision-langage à poids ouverts d'Alibaba : 397 milliards de paramètres au total, mais seulement 17 milliards actifs par token grâce à une conception sparse mixture-of-experts associée à un mécanisme d'attention linéaire. Il gère texte, images, vidéo et interactions GUI dans un seul modèle, avec un contexte natif de 262K tokens et un support de 201 langues. Il convient aux développeurs qui veulent une capacité multimodale de pointe sans payer les prix des API fermées.

Connu pour

MoE sparse qui ne garde que 17 milliards de paramètres actifs, réduisant le coût d'inférence par rapport à la taille du modèle.
Compréhension native de la vision, vidéo et GUI intégrée dès l'entraînement en fusion précoce.
Excellente génération de code et performance agentique dans divers environnements.
Support de 201 langues et dialectes, incluant nuances régionales et culturelles.
Poids ouverts sur Hugging Face, compatibles avec vLLM, SGLang et KTransformers.

Attention à

397 milliards de poids totaux nécessitent un matériel sérieux pour l'auto-hébergement ; la plupart des utilisateurs passeront par l'API.
Les tokens en sortie coûtent 3,50 $/M — cher à grande échelle, surtout pour les boucles agentiques longues.
La version hébergée Qwen3.5-Plus ajoute 1M de contexte et des outils intégrés ; les poids ouverts plafonnent à 262K nativement.

Idéal pour

Agents et utilisation d'outils

Programmation

Vision

Multilingue

Fonctionne localement

Prompts à essayer

Déboguer une boucle d'agent défaillante

I have a Python agent that calls a web-search tool, parses the result, then decides whether to call the tool again or return a final answer. It sometimes loops indefinitely. Here is the code: [paste your code]. Identify why the termination condition fails and rewrite the loop so it exits correctly after at most five iterations.

Analyser une capture d'écran pour bugs

Attach a screenshot of your application's UI. Identify every visible error state, broken layout element or confusing label. For each issue, explain what is wrong and suggest a concrete fix a developer could implement in under an hour.

Clause contractuelle multilingue

Translate the following limitation-of-liability clause into French, German, Japanese and Brazilian Portuguese. After each translation, add one sentence noting any legal concept in the source text that does not map cleanly to that jurisdiction's standard practice. Source clause: 'In no event shall either party be liable for indirect, incidental or consequential damages arising from use of this service.'

Comparer avec

Qwen3.7 Flash
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $0.03/M, sortie $0.13/M
Qwen3.8 Max (0902)
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $2.00/M, sortie $6.00/M
Qwen3.8 Omni Flash
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $0.15/M, sortie $0.47/M
Qwen3.5 Plus 2026-02-15
Modèle uniquement API
Contexte de 1,000,000 tokens · entrée $0.26/M, sortie $1.56/M

Plus de modèles de texte de qwen

Questions fréquentes

Can I run Qwen3.5 397B-A17B locally?: Oui, les poids sont ouverts et publiés sur Hugging Face dans le dépôt Qwen/Qwen3.5-397B-A17B, compatibles avec vLLM, SGLang et KTransformers. Avec 397 milliards de paramètres, un matériel conséquent est nécessaire ; la plupart des utilisateurs locaux utilisent une version quantifiée.
What does it cost and how long is the context?: Via API, le modèle est tarifé à 0,55 $ par million de tokens en entrée et 3,50 $ par million en sortie, avec un contexte natif de 262 144 tokens. La variante hébergée Qwen3.5-Plus étend cela à 1 million de tokens par défaut.
How does this differ from Qwen3 or Qwen3-VL?: Qwen3.5 utilise un entraînement multimodal en fusion précoce, ce qui signifie que vision et langage sont unifiés dès le départ plutôt que combinés ensuite, et le fabricant affirme qu'il atteint la parité intergénérationnelle avec Qwen3 tout en surpassant les modèles Qwen3-VL sur les benchmarks de raisonnement, codage et compréhension visuelle.

Verdict du capitaine
Un modèle à poids ouverts rare qui concurrence vraiment sur la vision, les agents et le code à la fois — si vous pouvez vous permettre les tokens en sortie ou le matériel.

Fiche modèle sur Hugging Face

Le capitaine écrit ces notes à partir de la description et de la fiche modèle. Les prix et tailles de contexte sont ceux du fournisseur au moment de la rédaction et peuvent changer.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Not this creator?

Get your own badge

Comment ce score se calcule

Ce modèle n’a pas encore de données de popularité provenant de sources, donc il porte un nombre de remplacement en dessous de 7,000° pour que les listes restent complètes. Il ne sera jamais mieux classé qu’un modèle avec des données. La répartition apparaît ici dès qu’une source la rapporte.

Glossaire : les termes utilisés ici

Score de chaleur: Un seul chiffre pour montrer à quel point un modèle est utilisé et recherché en ce moment, de 0° à 9 999°. Chaque liste sur ce site qui dit « les plus chauds » est triée selon ce score et rien d’autre.
Plancher: Les 7 000° que chaque modèle avec des données réelles commence avec. L’échelle va de 0° à 9 999° ; la partie sous le plancher est réservée aux remplaçants (modèles sans données), pour qu’un modèle avec données soit toujours mieux classé qu’un sans. Le plancher est le même pour tous et ne décide rien ; les degrés au-dessus sont la mesure.
Équivalents de téléchargement: Tout ce que le score considère comme un téléchargement, additionné : les téléchargements eux-mêmes, chaque seeder torrent comme 1 000, chaque image AI Horde et chaque exécution sur un site de génération comme un.
Échelle logarithmique: On compte par dizaines, pas par unités : passer de 1 000 à 10 000 téléchargements ajoute autant de degrés que passer de 10 000 à 100 000. Ça évite que les géants écrasent tout le reste.
Likes: Les pouces levés et likes de toutes sources, valant chacun la moitié d’un téléchargement sur l’échelle logarithmique.
Taux d’adoption: Combien de téléchargements par jour un modèle obtient en ce moment, calculé à partir de la différence entre deux relevés d’une source. Un quart du poids du terme téléchargement.
Mesuré et estimé: Mesuré signifie qu'il existe deux relevés d'une source et que la différence est réelle. Estimé signifie que seul le total d'aujourd'hui est connu et que le passé est réparti sur la durée de vie du modèle ; le site indique lequel est affiché.
Seeder: Quelqu'un qui garde une copie des poids en ligne pour que d'autres puissent les télécharger via un torrent, ou un miroir hébergé qui fait la même chose. Chacun compte comme 1 000 téléchargements.
AI Horde: Un réseau de bénévoles qui génère des images gratuitement sur des ordinateurs donnés. Le nombre d'images créées avec un modèle est public, et chacune compte comme un téléchargement.
Sites de génération: Sites qui hébergent leurs propres copies d'un modèle et permettent aux gens de générer avec, comme PixAI, SeaArt et Yodayo. Leurs téléchargements comptent comme ceux de Civitai et chaque génération compte comme un téléchargement.
Tokens OpenRouter: Un modèle texte servi via une API, comme Claude ou GPT, n'a pas de poids à télécharger, son usage est donc mesuré en tokens : les morceaux de texte lus et écrits via OpenRouter, une passerelle utilisée par de nombreuses applications, sur les 30 derniers jours. Chaque 10,000,000 tokens compte comme un téléchargement. Source : OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modèle complet (checkpoint): Les poids eux-mêmes, le fichier qui génère tout seul. Il reçoit un bonus parce que les add-ons en dépendent.
LoRA et embedding: Petits fichiers add-on qui orientent les poids de quelqu'un d'autre vers un style, un personnage ou un concept. Ils ne peuvent pas fonctionner seuls.
Famille et poids: La base sur laquelle un modèle est construit, comme SD 1.5, SDXL, Flux ou Wan. Chaque modèle hérite de la date de sortie des poids de sa famille.
Âge: Degrés retirés selon l'ancienneté des poids de la famille : 150° par an, jusqu'à 750°. Cela garde les anciens téléchargements qui ont eu des années pour s'accumuler en haut de la liste.
Boost de la famille: Une petite poussée limitée pour les LoRA d'une famille que ce site met en avant en ce moment, toujours listée dans la répartition.
Score de remplacement: Un nombre stable en dessous du minimum donné à un modèle dont aucune source ne rapporte encore, pour que les listes restent complètes. Il ne dépasse jamais un modèle avec des données.
Nouveau ! (période de grâce): Un modèle âgé de moins de 7 jours affiche Nouveau ! au lieu d'un score et ne figure pas dans le classement. Son score est calculé dès le premier jour, mais un modèle d'un jour grandit plus vite que tout, donc sans attente le #1 de la semaine serait toujours celui sorti hier plutôt que celui qui tient depuis une semaine.
Tendance: Comment la croissance d'un modèle sur une période se compare à la croissance typique d'un modèle sur la même période. Plus rapide que la moyenne signifie une hausse, plus lente une baisse.
Modèle typique: Le milieu du catalogue : la moitié des modèles avec un chiffre ont grandi plus vite sur la période, l'autre moitié plus lentement.

Modèles similaires

Modèles d'IA pour générer image, vidéo et texte

Qwen3.5 397B A17B est un modèle de texte pour la famille Text / LLM, référencé sur ModelTrends.ai, un catalogue en lecture seule de modèles d'IA open source pour l'image, la vidéo et le texte. Comparez-le aux autres modèles Text / LLM et consultez son score de chaleur pour suivre sa tendance.

Plus de modèles Text / LLM Plus de Texte / LLM Text / LLM llm qwen vision vidéo raisonnement agents programmation multilingue

Parcourir par famille de modèles