Bolehkah saya jalankan Qwen3.6-35B-A3B secara tempatan?

Ya — beratnya terbuka di bawah lesen Apache 2.0 dan tersedia di Hugging Face, serasi dengan Transformers, vLLM, SGLang dan KTransformers. Kerana hanya 3B parameter aktif setiap token, keperluan memori lebih rendah daripada jumlah parameter 35B; semak panduan VRAM sebelum memuat turun.

Berapa kos dan berapa besar tetingkap konteks?

Melalui API ia $0.10 setiap sejuta token input dan $0.95 setiap sejuta token output, dengan konteks asli 262,144 token — boleh diperluas ke sekitar 1 juta token melalui YaRN.

Bagaimana ini dibandingkan dengan Qwen3.5-35B-A3B?

Qwen3.6 adalah penerus langsung, dibina berdasarkan maklum balas komuniti, dengan peningkatan utama dalam penanda aras pengkodan agen dan pilihan baru untuk memelihara jejak penaakulan merentasi perbualan pelbagai giliran; skor pengetahuan umum adalah serupa secara meluas.

▲

122%

minggu ini

Qwen3.6 35B A3B

8682°

#llm #qwen #penglihatan #video #penalaran #pengaturcaraan

Minggu ini

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

Qwen | 262,144 token context | $0.15/M input, $1.00/M output. Qwen3.6-35B-A3B is an open-weight multimodal model from Alibaba Cloud with 35 billion total parameters and 3 billion active parameters per token. It uses a hybrid sparse mixture-of-experts architecture combining Gated DeltaNet linear attention with standard gated attention layers, enabling efficient inference at a fraction of the compute cost. The model supports a 262K token native context window (extensible to 1M via YaRN) and accepts text, image, and video inputs. It includes integrated thinking mode with reasoning traces preserved across multi-turn conversations, function calling, and structured output. Released under the Apache 2.0 license.

Panduan untuk model ini

Cara Pasang Ollama dan Jalankan AI Tempatan (Windows, Mac, Linux)

Ollama vs LM Studio (2026): aplikasi AI tempatan mana yang patut digunakan, dan model teratas yang dijalankan oleh setiap satu

LLM tempatan terbaik mengikut kegunaan (Oktober 2026): model terbuka yang sesuai untuk setiap kerja

Berapa banyak VRAM yang saya perlukan untuk AI tempatan?

Apakah fail GGUF? Model kuantisasi diterangkan (Q4, Q8, fp8, NF4)

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

Qwen3.6-35B-A3B adalah model multimodal berat terbuka dari Alibaba Cloud yang dibina atas seni bina campuran pakar jarang hibrid: 35 bilion jumlah parameter tetapi hanya 3 bilion aktif setiap token, yang mengekalkan kos inferens rendah. Penambahbaikan utamanya berbanding pendahulu adalah pengkodan agen, terutamanya aliran kerja frontend dan tugas peringkat repositori. Jika anda memerlukan pengkod dan agen yang mampu yang boleh dijalankan secara tempatan atau diakses murah melalui API, ini patut dilihat dengan serius.

Dikenali untuk

Pengkodan agen: kuat pada aliran kerja frontend dan penaakulan peringkat repositori
Hanya 3B parameter aktif setiap token, jadi inferens pantas dan murah
Tetingkap konteks asli 262K, boleh diperluas ke kira-kira 1M melalui YaRN
Menerima input teks, imej dan video dengan mod pemikiran terintegrasi
Jejak penaakulan dipelihara merentasi perbualan pelbagai giliran

Berhati-hati dengan

Token output berharga hampir 10× token input pada $0.95/M — larian agen panjang cepat bertambah.
Seni bina perhatian linear hibrid kurang diuji berbanding transformer standard; sesetengah tumpukan inferens mungkin lambat menyokong.
Kualiti input penglihatan dan video tidak diuji secara bebas dalam keputusan yang diterbitkan.

Terbaik untuk

Pengaturcaraan

Ejen dan penggunaan alat

Penalaran

Penglihatan

Jalankan secara tempatan

Arahan untuk cuba

Refaktor kod berserabut

Saya ada frontend React dengan semua keadaan diurus dalam satu fail App.js sepanjang 800 baris. Tiada komponen, tiada hook tersuai, dan props digerudi empat peringkat dalam. Analisis struktur, kenal pasti tiga masalah paling merosakkan, kemudian hasilkan pelan refaktor konkrit dengan nama fail dan urutan perubahan yang perlu saya buat.

Pelan agen berbilang langkah

Anda adalah agen dengan akses kepada bash dan alat penyunting fail. Projek Python pengguna gagal pipeline CI kerana tiga ujian tidak stabil yang bergantung pada panggilan rangkaian sebenar ke API luaran. Terangkan bagaimana anda akan mencari ujian, reka strategi mocking, laksanakan pembetulan, dan sahkan tanpa menyentuh laluan kod produksi.

Teka-teki penaakulan sukar

Lima jurutera masing-masing memiliki bahasa pengaturcaraan berbeza, minum minuman berbeza, dan bekerja dalam zon waktu berbeza. Jurutera Rust minum espresso. Jurutera di UTC+9 memiliki Python. Jurutera TypeScript berada tepat di kiri peminum kopi. Jurutera Go bekerja di UTC-5. Siapa yang minum teh, dan bahasa apa yang mereka gunakan? Tunjukkan penaakulan anda langkah demi langkah.

Bandingkan dengan

Qwen3.7 Flash
Model hanya API
konteks 1,000,000 token · Input $0.03/M, output $0.13/M
Qwen3.8 Max (0902)
Model hanya API
konteks 1,000,000 token · Input $2.00/M, output $6.00/M
Qwen3.8 Omni Flash
Model hanya API
konteks 1,000,000 token · Input $0.15/M, output $0.47/M
Qwen3.5 Plus 2026-02-15
Model hanya API
konteks 1,000,000 token · Input $0.26/M, output $1.56/M

Lebih banyak model teks dari qwen

Soalan yang sering ditanya

Bolehkah saya jalankan Qwen3.6-35B-A3B secara tempatan?: Ya — beratnya terbuka di bawah lesen Apache 2.0 dan tersedia di Hugging Face, serasi dengan Transformers, vLLM, SGLang dan KTransformers. Kerana hanya 3B parameter aktif setiap token, keperluan memori lebih rendah daripada jumlah parameter 35B; semak panduan VRAM sebelum memuat turun.
Berapa kos dan berapa besar tetingkap konteks?: Melalui API ia $0.10 setiap sejuta token input dan $0.95 setiap sejuta token output, dengan konteks asli 262,144 token — boleh diperluas ke sekitar 1 juta token melalui YaRN.
Bagaimana ini dibandingkan dengan Qwen3.5-35B-A3B?: Qwen3.6 adalah penerus langsung, dibina berdasarkan maklum balas komuniti, dengan peningkatan utama dalam penanda aras pengkodan agen dan pilihan baru untuk memelihara jejak penaakulan merentasi perbualan pelbagai giliran; skor pengetahuan umum adalah serupa secara meluas.

Keputusan Kapten
Gabungan jarang: berat terbuka, input multimodal, konteks panjang dan pengkodan agen yang benar-benar kompetitif pada harga yang tidak membebankan.

Kad model di Hugging Face

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh berubah.

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

Also ranked: Silver · Hottest this week · #114 Hottest AI model · #48 Hottest Text / LLM model · #48 Hottest Text / LLM text model

Not this creator?

Get your own badge

Trend populariti Qwen3.6 35B A3B

Skor panas sejak 27 Apr 2026

Skor haba

8,682°

Minggu ini

▲

122%

8,578° dulu, 8,682° sekarang

Bulan ini

n/a

Belum dikeluarkan/dipantau

Tahun lalu

n/a

Belum dikeluarkan/dipantau

7,000°

Lantai

Skala berjalan dari 0° hingga 9,999°. Apa sahaja di bawah 7,000° disimpan untuk model yang belum dilaporkan oleh mana-mana sumber, yang membawa nombor gantian di situ supaya senarai tetap lengkap. 7,000° adalah tempat data yang diukur bermula: model dengan data sebenar tapi hampir tiada muat turun berada di lantai, dan ukuran mengisi darjah di atasnya. Lantai tidak memberitahu apa-apa tentang model; hanya darjah di atasnya yang buat beza antara satu model dengan model lain.

+1,365°

Token OpenRouter

355,046,263,575 token diproses oleh model ini melalui OpenRouter dalam 30 hari terakhir, termasuk arahan dan jawapan. Setiap 10,000,000 token dikira sebagai satu muat turun dalam tempoh muat turun, 35,504 semuanya; token hari terakhir disertakan dalam kadar penggunaan. Sumber: OpenRouter (openrouter.ai/rankings).

+317°

Kadar penerimaan

Kira-kira 16,735 muat turun sehari, diukur antara dua bacaan sumber, tidak pernah dianggarkan dari purata sepanjang hayat. Kelajuan seberat suku istilah muat turun, jadi lonjakan baru kelihatan tanpa membiarkan lonjakan satu hari mengatasi penggunaan bertahun-tahun.

Tunjukkan pecahan terperinci

Setiap nombor di laman ini boleh diperiksa. Skor panas model ini adalah 8,682°, dan ia dibina satu bahan pada satu masa, dengan jumlah terkini selepas setiap langkah: lantai, darjah yang ditambah oleh setiap sumber, bonus untuk jenis model dan apa yang umur beratnya tolak. Warna-warna itu adalah jalur carta di atas. Glosari di akhir menerangkan setiap istilah.

1
Mula di lantai.
Kenapa 7,000° dan bukan sifar: skala dari 0° hingga 9,999°, dan bahagian di bawah 7,000° dikhaskan untuk model yang belum dilaporkan oleh mana-mana sumber, yang membawa nombor gantian supaya senarai tetap lengkap dan tidak pernah mengatasi model dengan data. 7,000° adalah tempat data yang diukur bermula. Model dengan data sebenar tapi hampir tiada muat turun berada di sini; semua yang berikut adalah ukuran, dan ruang di atas lantai ada sepuluh langkah muat turun sepuluh kali ganda pada 300° setiap satu. Lantai sama untuk setiap model, jadi ia tidak tentukan apa-apa; darjah di atasnya yang buat beza.
7,000°
jumlah berjalan
2
Tambah muat turun.
35,504 muat turun setara semuanya, dari Token OpenRouter. Sepuluh kali muat turun menambah 300° yang sama, jadi saiz penting tapi tidak pernah mengatasi skor.
+1,365°
8,365°
jumlah berjalan
3
Tambah kadar penerimaan.
Sekitar 16,735 muat turun sehari sekarang, diukur antara dua bacaan, dengan berat suku.
+317°
8,682°
jumlah berjalan
=
Skor heat.
Di mana model ini berdiri dalam setiap senarai laman ini. Tiada yang lain mengubahnya.
8,682°

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Bagaimana populariti model ini bergerak berbanding katalog lain: pertumbuhannya dalam muat turun, suka dan penggunaan setiap tempoh, diukur berbanding pertumbuhan model biasa dalam tempoh yang sama, dengan skor panasnya pada masa itu. Di atas pertumbuhan biasa dibaca sebagai kenaikan, di bawahnya sebagai penurunan. Masa lalu dibina semula dari jumlah hari ini, hari pertama model dan kelajuan muat turun yang diukur jika ada dua bacaan; model yang tidak wujud pada permulaan tempoh menunjukkan n/a.

Model serupa

Qwen3 30B A3B Instruct 2507

TEXT / LLM

Model AI untuk penjanaan imej, video dan teks

Qwen3.6 35B A3B ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm qwen penglihatan video penalaran pengaturcaraan ejen tempatan

Layari mengikut keluarga model