Kan jag köra Qwen3.6-35B-A3B lokalt?

Ja — vikterna är öppna under Apache 2.0-licens och finns på Hugging Face, kompatibla med Transformers, vLLM, SGLang och KTransformers. Eftersom endast 3 miljarder parametrar är aktiva per token är minneskraven lägre än vad 35 miljarder totala parametrar antyder; kontrollera en VRAM-guide innan nedladdning.

Vad kostar det och hur stort är kontextfönstret?

Via API kostar det $0,10 per miljon inmatningstokens och $0,95 per miljon utmatningstokens, med ett inbyggt kontextfönster på 262 144 tokens — utbyggbart till cirka 1 miljon tokens via YaRN.

Hur jämför sig detta med Qwen3.5-35B-A3B?

Qwen3.6 är den direkta efterföljaren, byggd på community-feedback, med huvudsakliga förbättringar i agentisk kodningsbenchmark och ett nytt alternativ att bevara resonemangsspår över flerstegs konversationer; allmänna kunskapsresultat är i stort sett lika.

▲

122%

den här veckan

Qwen3.6 35B A3B

8682°

#llm #qwen #vision #video #resonemang #kodning

Denna vecka

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 | 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.

Guider för denna modell

Hur man installerar Ollama och kör en lokal AI (Windows, Mac, Linux)

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

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

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

Qwen3.6-35B-A3B är en öppen multimodal modell från Alibaba Cloud byggd på en hybridarkitektur med gles mixture-of-experts: 35 miljarder totala parametrar men endast 3 miljarder aktiva per token, vilket håller inferenskostnaderna låga. Dess största förbättring jämfört med föregångaren är agentisk kodning, särskilt frontendarbetsflöden och uppgifter på reponivå. Om du behöver en kapabel kodare och agent som du kan köra lokalt eller nå billigt via API är detta värt en seriös titt.

Känd för

Agentisk kodning: stark på frontendarbetsflöden och resonemang på reponivå
Endast 3 miljarder parametrar aktiva per token, vilket gör inferens snabb och billig
Inbyggt 262K tokens kontextfönster, utbyggbart till ungefär 1 miljon via YaRN
Tar emot text-, bild- och videoinput med integrerat tänkandemode
Resonansspår bevaras över flerstegs konversationer

Se upp för

Utdata kostar nästan 10 gånger indata, $0,95 per miljon — långa agentkörningar blir dyra.
Hybridarkitekturen med linjär uppmärksamhet är mindre beprövad än standardtransformers; vissa inferensstackar kan sakna stöd.
Kvaliteten på syn- och videoinput är inte oberoende benchmarkad i publicerade resultat.

Bäst för

Kodning

Agenter och verktygsanvändning

Resonemang

Syn

Kör lokalt

Promptar att prova

Refaktorera en rörig kodbas

Jag har en React-frontend där all state hanteras i en enda App.js-fil på 800 rader. Det finns inga komponenter, inga egna hooks och props borras fyra nivåer djupt. Analysera strukturen, identifiera de tre mest skadliga problemen och skapa sedan en konkret refaktorplan med filnamn och i vilken ordning jag bör göra ändringarna.

Flerstegs agentplan

Du är en agent med tillgång till bash och filredigeringsverktyg. En användares Python-projekt misslyckas i CI-pipelinen på grund av tre ostadiga tester som är beroende av ett verkligt nätverksanrop till en extern API. Beskriv hur du skulle lokalisera testerna, designa en mockningsstrategi, implementera fixen och verifiera den utan att röra produktionskoden.

Svårt resonemangspussel

Fem ingenjörer äger varsin programmeringsspråk, dricker olika drycker och arbetar i olika tidszoner. Rust-ingenjören dricker espresso. Ingenjören i UTC+9 äger Python. TypeScript-ingenjören sitter direkt till vänster om kaffedrickaren. Go-ingenjören arbetar i UTC-5. Vem dricker te och vilket språk använder hen? Visa ditt resonemang steg för steg.

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
Qwen3.5 Plus 2026-02-15
Endast API-modell
1,000,000 tokens kontext · $0.26/M indata, $1.56/M utdata

Fler textmodeller från qwen

Vanliga frågor

Kan jag köra Qwen3.6-35B-A3B lokalt?: Ja — vikterna är öppna under Apache 2.0-licens och finns på Hugging Face, kompatibla med Transformers, vLLM, SGLang och KTransformers. Eftersom endast 3 miljarder parametrar är aktiva per token är minneskraven lägre än vad 35 miljarder totala parametrar antyder; kontrollera en VRAM-guide innan nedladdning.
Vad kostar det och hur stort är kontextfönstret?: Via API kostar det $0,10 per miljon inmatningstokens och $0,95 per miljon utmatningstokens, med ett inbyggt kontextfönster på 262 144 tokens — utbyggbart till cirka 1 miljon tokens via YaRN.
Hur jämför sig detta med Qwen3.5-35B-A3B?: Qwen3.6 är den direkta efterföljaren, byggd på community-feedback, med huvudsakliga förbättringar i agentisk kodningsbenchmark och ett nytt alternativ att bevara resonemangsspår över flerstegs konversationer; allmänna kunskapsresultat är i stort sett lika.

Kaptens omdöme
En sällsynt kombination: öppna vikter, multimodala indata, lång kontext och verkligt konkurrenskraftig agentisk kodning till ett pris som inte sticker.

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

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

Popularitetstrend för Qwen3.6 35B A3B

Värmenpoäng sedan 27 Apr 2026

Värmescore

8,682°

Den här veckan

▲

122%

8,578° då, 8,682° nu

Den här månaden

n/a

Inte släppt/spårad än

Senaste året

n/a

Inte släppt/spårad än

7,000°

Golvet

Skalan går från 0° till 9 999°. Allt under 7,000° är reserverat för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta. 7,000° är där mätta data börjar: en modell med riktiga data men nästan inga nedladdningar ligger på golvet, och mätningarna fyller graderna ovanför. Golvet säger inget om modellen; det gör bara graderna ovanför, och det är de som skiljer en modell från en annan.

+1,365°

OpenRouter-token

355,046,263,575 token som denna modell bearbetat via OpenRouter de senaste 30 dagarna, både prompts och svar. Varje 10,000,000 token räknas som en nedladdning i nedladdningsterm, totalt 35,504; token från senaste dagen räknas in i användningstakten. Källa: OpenRouter (openrouter.ai/rankings).

+317°

Adoptionshastighet

Ungefär 16,735 nedladdningar per dag, mätt mellan två avläsningar av källorna, aldrig uppskattat från ett livstidsgenomsnitt. Hastigheten väger en fjärdedel av nedladdningstermen, så en ny våg syns utan att en dags toppar slår ut år av användning.

Visa detaljerad uppdelning

Varje siffra på den här sidan kan kontrolleras. Den här modellens heat-poäng är 8,682°, och här byggs den upp en ingrediens i taget, med löpande total efter varje: golvet, graderna varje källa lägger till, bonusen för modelltypen och vad vikternas ålder drar bort. Färgerna är banden i diagrammet ovan. Ordlistan i slutet förklarar varje term.

1
Börja vid golvet.
Varför 7,000° och inte noll: skalan går från 0° till 9 999°, och delen under 7,000° är reserverad för modeller som ingen källa rapporterat om än, som får ett tillfälligt nummer där så listorna förblir kompletta och aldrig rankas högre än en modell med data. 7,000° är där mätta data börjar. En modell med riktiga data men nästan inga nedladdningar ligger här; allt som följer är mätning, och utrymmet ovanför golvet rymmer tio tiofaldiga steg i nedladdningar på 300° vardera. Golvet är detsamma för varje modell, så det avgör inget; det gör graderna ovanför.
7,000°
löpande total
2
Lägg till nedladdningarna.
35,504 nedladdnings-ekvivalenter totalt, från OpenRouter-token. Tio gånger nedladdningarna ger samma 300°, så storlek spelar roll men tar aldrig över poängen.
+1,365°
8,365°
löpande total
3
Lägg till adoptionshastigheten.
Ungefär 16,735 nedladdningar per dag just nu, mätt mellan två mätningar, med en fjärdedels vikt.
+317°
8,682°
löpande total
=
Heat-poängen.
Var den här modellen står på varje lista på den här sidan. Ingenting annat ändrar den.
8,682°

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.

Hur den här modellens popularitet har rört sig jämfört med resten av katalogen: dess tillväxt i nedladdningar, gillningar och användning under varje period, mätt mot en typisk modells tillväxt under samma period, med dess heat-poäng vid den tiden. Över den typiska tillväxten ses som en uppgång, under som en nedgång. Det förflutna rekonstrueras från dagens totalsummor, modellens första dag och dess uppmätta nedladdningshastighet där två mätningar finns; en modell som inte fanns i början av en period visar n/a.

Liknande modeller

Hermes 3 405B Instruct

TEXT / LLM

AI-modeller för bild-, video- och textgenerering

Qwen3.6 35B A3B 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 vision video resonemang kodning agenter lokal

Bläddra efter modellfamilj