Qwen3.5-122B-A10B

Суть

Мультимодальная языковая модель семейства Qwen3.5. Она принимает текст, изображения и видео, а ответ формирует в текстовом виде. Разработчик описывает семейство как единую vision-language модель: текстовые и визуальные данные обучаются в общей архитектуре, а не обслуживаются отдельными несвязанными моделями.

Сильные стороны

Архитектура сочетает Gated Delta Networks — механизм линейного внимания — с разреженной смесью экспертов (MoE). Вариант рассчитан на рассуждения, программирование, понимание изображений и видео, работу с документами и использование инструментов. На странице модели также описан режим reasoning: перед итоговым ответом модель может формировать промежуточный ход рассуждений.

Контекст и модальности

По данным каталога, контекст составляет 262 144 токена, а максимальный размер генерации — 65 536 токенов. Входные модальности — текст, изображения и видео; выходная — текст. Модель предназначена для анализа визуального содержимого, но не для генерации изображений или видео.

Типовые сценарии

Модель можно использовать для диалога и анализа длинных текстов, вопросов по изображениям и видеоматериалам, извлечения информации из документов, помощи с кодом и решения задач. Мультимодальные входы полезны, например, при разборе кадров, схем или экранных интерфейсов; текстовый интерфейс подходит для подготовки объяснений, сводок и ответов.

Отличие от соседей по семейству

В обозначении этой версии отражена конфигурация с 122 млрд параметров всего и 10 млрд активируемых параметров — согласно карточке разработчика. Это MoE-вариант семейства; его архитектура разреженно задействует экспертов, а линейное внимание сочетается с обычными блоками внимания. Семейство также включает варианты Qwen3.5 других размеров, однако доступная карточка не даёт оснований подробно сравнивать их поведение по сценариям.