Qwen 3.5 大模型发布，参数规模达400B，首个开源权重版本Qwen3.5-397B-A17B。支持多模态、多语言，上下文长度达百万token。模型在视觉理解、视频推理等任务上表现优异，并提升了解码效率。GGUF版本支持本地运行，适合程序员和小白学习。Qwen 3.5标志着中国开源模型生态进入产业级成熟阶段，是值得收藏的重要里程碑。

---

在 Z.ai、MiniMax、[Kimi] 等中国模型实验室陆续刷新旗舰模型之后，Qwen 3.5 也正式跟进。不过与前两者不同，Qwen 3.5 的量级更接近 Kimi —— 400B 级别模型，稀疏率约 4.3%（相比之下，Kimi 更激进，为 3.25%）。

Qwen3.5-397B-A17B：首个开源权重版本

本次发布的核心版本为：

Qwen3.5-397B-A17B

定位为 Qwen3.5 系列中首个 open-weight 模型。

关键技术特性

• 397B 参数规模
• 稀疏 MoE 架构（仅 17B 激活）
• Hybrid Linear Attention + Sparse MoE
• 原生支持 Multimodality
• 支持 Thinking / Non-Thinking Modes
• 支持 201 种语言
• License：Apache-2.0

官方同时说明：

• Qwen3.5-Plus 为托管 API 版本
• API 版本支持 1M context
• 原生模型 context 为 256K

此外，API 版本集成了：

• 搜索能力
• Code Interpreter

原生多模态 + 空间智能

本次升级的 headline feature 有两个：

1️⃣ Native Multimodality

2️⃣ Spatial Intelligence

这意味着模型在视觉理解、视频推理、多模态跨模态推断等任务上具备更强的结构性理解能力。

官方博客中展示了不少例子，尤其在空间推理和复杂场景理解上有明显增强。

性能与效率提升

从社区反馈来看：

Context Length

• 原生：262,144 tokens
• 可扩展至：1,010,000 tokens

在大上下文处理方面已经进入“百万 token 俱乐部”。

解码吞吐量提升

相较前代 Qwen3-235B-A22B：

3.5x – 7.2x 解码加速

这点非常关键。

在超大模型时代，吞吐效率比纯 benchmark 更重要。 推理成本与响应延迟直接决定商业可行性。

GGUF 版本：本地运行可能性

社区已经发布：

Qwen3.5-397B-A17B Unsloth GGUFs

支持：

• 3-bit 在 192GB RAM Mac 运行
• 4-bit (MXFP4) 在 M3 Ultra 256GB RAM 运行

值得注意的是：

• 397B 参数
• 仅 17B 激活

这使得大模型的本地实验成为可能。

社区也在讨论：

• AutoRound 是否会进一步优化性能
• UD-Q4_K_XL vs MXFP4 格式的实际对比

目前 benchmark 对比数据还较少。

模型性格：偏“话多型”

有用户测试发现，即便是简单问候，模型也会生成较长的内部推理过程。

这可能意味着：

• 更复杂的决策路径
• 更强的 reasoning trace
• 但在简单任务中略显“冗余”

是否未来会通过更精细的 thinking mode 控制 verbosity，还有待观察。

和 Kimi、DeepSeek 的位置关系

从参数规模看：

• Qwen 3.5 ≈ Kimi 级别
• 稀疏率略高（4.3% vs 3.25%）
• 未宣称全面 SOTA
• 但在多模态方向明显强化

如果时间线推测正确，这可能是：

DeepSeek v4 之前的最后一轮重量级发布

中国开源模型生态目前已经形成三层结构：

1. 超大稀疏模型
2. 中等规模高性价比模型
3. 垂直多模态专项模型

Qwen 3.5 属于第一层。

这一轮发布意味着什么？

与其说这是一次“颠覆性突破”，不如说是一次：

稳定且工程化完成度极高的旗舰刷新

它的意义在于：

• 开源 400B 级模型
• 原生 multimodal
• 高吞吐优化
• 百万级上下文
• 稀疏计算可控

这更像是一种产业级成熟信号。

Qwen 3.5 并没有高调宣称统治所有 benchmark。

但它完成了一件更重要的事：

把 400B 级多模态模型，变成可开源、可部署、可扩展、可优化的现实产品。

在中国开源模型阵营里，这是一块非常扎实的里程碑。

​最后

我在一线科技企业深耕十二载，见证过太多因技术更迭而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
​​

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**

​