Qwen3.5 397B A17B

Суть

Это мультимодальная модель семейства Qwen для диалогов, рассуждений и анализа визуальных материалов. Разработчик описывает её как единую vision-language модель: текстовые и визуальные данные обучаются совместно, а не обрабатываются отдельными несвязанными модулями.

Сильные стороны

Модель рассчитана на широкий круг задач: понимание изображений и видео, распознавание текста и разбор документов, программирование, следование инструкциям и агентные сценарии. В архитектуре сочетаются Gated Delta Networks и разреженная смесь экспертов (Mixture of Experts); по описанию Qwen, такая гибридная схема призвана повысить эффективность инференса. Модель поддерживает режим рассуждений и может применяться в системах с вызовом инструментов при соответствующей настройке среды запуска.

Контекст и модальности

По данным каталога, контекст составляет 262144 токена, а максимальная длина ответа — 65536 токенов. На вход можно передавать текст, изображения и видео; на выходе модель формирует текст.

Типовые сценарии

Подходит для вопросов по изображениям и видеоматериалам, извлечения и объяснения сведений из документов, помощи с кодом, многошаговых текстовых задач и создания диалоговых интерфейсов. В агентных системах может участвовать в планировании и подготовке обращений к внешним инструментам, если интеграция это предусматривает.

Ограничения

Каталог указывает только текстовый формат ответа: модель не предназначена для генерации изображений или видео. Вызов инструментов зависит от конфигурации API или среды исполнения и сам по себе не означает, что модель имеет доступ к внешним сервисам.

Отличие от соседей по семейству

Qwen3.5-397B-A17B представлена разработчиком как нативная vision-language модель с общей мультимодальной основой. В отличие от сочетания отдельной языковой модели и отдельной модели зрения, она объединяет работу с текстом и визуальными входами в одном семействе моделей. В карточке Qwen также выделена гибридная архитектура с разреженной смесью экспертов.