Kan jag köra Qwen3-235B-A22B-Thinking-2507 lokalt?

Ja, vikterna är öppna och publicerade på Hugging Face under Qwen/Qwen3-235B-A22B-Thinking-2507 repository, men med 235 miljarder parametrar krävs betydande hårdvara – tillverkaren har inte publicerat någon minsta VRAM-siffra i dokumentationen.

Vad kostar den och hur lång är kontexten?

Via API kostar den 0,45 USD per miljon input-tokens och 3,50 USD per miljon output-tokens; det native kontextfönstret är 262 144 tokens och modellen kan generera upp till 81 920 tokens per svar.

Hur skiljer sig denna från originalet Qwen3-235B-A22B?

Denna 2507-uppdatering fokuserar specifikt på att fördjupa tänkandeförmågan – längre, högkvalitativa resonemangsspår – och förbättrar instruktionefterlevnad, verktygsanvändning och långkontextförståelse jämfört med basversionen; den tvingar också tänkandeläge hela tiden, vilket den tidigare varianten inte gjorde.

Qwen3 235B A22B Thinking 2507

1991°

#llm #qwen #resonemang #kodning #matematik #agenter

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Qwen | 128,000 token context | $0.45/M input, $3.50/M output. Qwen3-235B-A22B-Thinking-2507 är en högpresterande, öppen vikt Mixture-of-Experts (MoE) språkmodell optimerad för komplexa resonemangsuppgifter. Den aktiverar 22B av sina 235B parametrar per framåtpass och stödjer inbyggt upp till 262,144 tokens kontext. Denna "endast tänkande"-variant förbättrar strukturerat logiskt resonemang, matematik, vetenskap och långformsgenerering, med starka benchmarkresultat över AIME, SuperGPQA, LiveCodeBench och MMLU-Redux. Den tvingar fram ett särskilt resonemangsläge () och är designad för…Qwen | 128,000 token context | $0.45/M input, $3.50/M output. Qwen3-235B-A22B-Thinking-2507 är en högpresterande, öppen vikt Mixture-of-Experts (MoE) språkmodell optimerad för komplexa resonemangsuppgifter. Den aktiverar 22B av sina 235B parametrar per framåtpass och stödjer inbyggt upp till 262,144 tokens kontext. Denna "endast tänkande"-variant förbättrar strukturerat logiskt resonemang, matematik, vetenskap och långformsgenerering, med starka benchmarkresultat över AIME, SuperGPQA, LiveCodeBench och MMLU-Redux. Den tvingar fram ett särskilt resonemangsläge () och är designad för hög-tokenutdata (upp till 81,920 tokens) i utmanande domäner. Modellen är instruktionsfinjusterad och utmärker sig i steg-för-steg-resonemang, verktygsanvändning, agentiska arbetsflöden och flerspråkiga uppgifter. Denna version representerar den mest kapabla öppen källkod-varianten i Qwen3-235B-serien, och överträffar många slutna modeller i strukturerade resonemangsfall.

Guider för denna modell

Ollama vs LM Studio (2026): vilken lokal AI-app du ska använda och vilka toppmodeller varje kör

Hur mycket VRAM behöver jag egentligen för lokal AI?

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Qwen3-235B-A22B-Thinking-2507 är Qwens uppdaterade flaggskeppsmodell för resonemang från Alibaba, en MoE med 235 miljarder parametrar som aktiverar 22 miljarder parametrar per pass. Den körs i tänkande-läge, vilket innebär att varje svar går igenom ett utökat kedjeresonemang innan det besvaras. Öppna vikter, ett 262K nativer kontextfönster och toppresultat på matematik-, kodnings- och vetenskapsbenchmarkar gör den till den mest kapabla öppna resonemangsmodellen i denna serie.

Känd för

State-of-the-art kodningsresultat på LiveCodeBench v6 bland listade öppna modeller.
Starkt matematiskt resonemang: nära toppresultat på AIME25 och bästa i tabellen på HMMT25.
Bästa SuperGPQA-poängen i benchmarktabellen, inklusive stängda konkurrenter.
Native 262K kontextfönster med stöd för output upp till 81 920 tokens.
Öppna vikter tillgängliga på Hugging Face för egenhostad driftsättning.

Se upp för

Tänkande-läge kan inte stängas av; varje fråga kräver utökade resonemangstokens, vilket höjer outputkostnader.
Med 235 miljarder parametrar krävs seriös hårdvara för egenhostning – tillverkaren har inte publicerat minimikrav här.
Output-prissättning på 3,50 USD per miljon tokens blir snabbt dyrt med modellens tendens till långa resonemangsspår.

Bäst för

Resonemang

Kodning

Matematik

Agenter och verktygsanvändning

Lång kontext

Promptar att prova

Konkurrenskraftigt matematikproblem

Ett positivt heltal n har exakt 12 delare. Summan av alla delare av n är 3224. Hitta alla möjliga värden på n och visa ditt fullständiga resonemang steg för steg.

Svår felsökningsuppgift

Här är en Python-funktion som ska returnera den längsta palindromiska delsträngen med dynamisk programmering, men den ger fel resultat för vissa indata. Hitta varje bugg, förklara varför den är fel och ge en korrigerad version med testfall. def longest_palindrome(s): n = len(s) dp = [[False]*n]*n start, max_len = 0, 1 for i in range(n): dp[i][i] = True for i in range(n-1): if s[i]==s[i+1]: dp[i][i+1]=True; start=i; max_len=2 for length in range(3,n+1): for i in range(n-length+1): j=i+length-1 if s[i]==s[j] and dp[i+1][j-1]: dp[i][j]=True; start=i; max_len=length return s[start:start+max_len]

Flerstegs agentplan

Du planerar en forskningspipeline. Ett team behöver: samla in finansiella rapporter från 50 företag, extrahera nyckelriskfaktorer, klustra dem efter tema och producera en rankad sammanfattningsrapport. Designa ett steg-för-steg agentbaserat arbetsflöde med verktygsanrop, felhanteringskontroller och ett tydligt outputschema. Var specifik med var en mänsklig granskningsfas är motiverad.

Jämför med

Qwen3.7 Flash
Endast API-modell
1,000,000 tokens kontext · $0.03/M indata, $0.13/M utdata
Qwen3.8 Max (0902)
Endast API-modell
1,000,000 tokens kontext · $2.00/M indata, $6.00/M utdata
Qwen3.8 Omni Flash
Endast API-modell
1,000,000 tokens kontext · $0.15/M indata, $0.47/M utdata
Qwen3 30B A3B Thinking 2507
Endast API-modell
81,920 tokens kontext · $0.20/M indata, $2.40/M utdata

Fler textmodeller från qwen

Vanliga frågor

Kan jag köra Qwen3-235B-A22B-Thinking-2507 lokalt?: Ja, vikterna är öppna och publicerade på Hugging Face under Qwen/Qwen3-235B-A22B-Thinking-2507 repository, men med 235 miljarder parametrar krävs betydande hårdvara – tillverkaren har inte publicerat någon minsta VRAM-siffra i dokumentationen.
Vad kostar den och hur lång är kontexten?: Via API kostar den 0,45 USD per miljon input-tokens och 3,50 USD per miljon output-tokens; det native kontextfönstret är 262 144 tokens och modellen kan generera upp till 81 920 tokens per svar.
Hur skiljer sig denna från originalet Qwen3-235B-A22B?: Denna 2507-uppdatering fokuserar specifikt på att fördjupa tänkandeförmågan – längre, högkvalitativa resonemangsspår – och förbättrar instruktionefterlevnad, verktygsanvändning och långkontextförståelse jämfört med basversionen; den tvingar också tänkandeläge hela tiden, vilket den tidigare varianten inte gjorde.

Kaptens omdöme
Den mest kapabla öppna resonemangsmodellen Qwen har släppt: värd outputkostnaden om dina uppgifter verkligen kräver djupa kedjeresonemang, överdrivet för enklare uppgifter.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

MiMo V2.6 Pro

TEXT / LLM

Meta Llama 3 8B Instruct

AI-modeller för bild-, video- och textgenerering

Qwen3 235B A22B Thinking 2507 är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm qwen resonemang kodning matematik agenter lång kontext

Bläddra efter modellfamilj