Qwen3.5 122B-A10B — أوزان مفتوحة MoE متعدد الوسائط (نص/صورة/فيديو)، 122B إجمالي / 10B معاملات نشطة، سياق 32k (وضع الرؤية).
نموذج Qwen3.5-122B-A10B هو نموذج لغوي كبير من سلسلة Qwen التابعة لشركة Alibaba Cloud. يستخدم بنية الخبراء المختلطين (MoE) حيث يتم تنشيط 10 مليارات معامل فقط لكل تمريرة أمامية، بينما يبلغ إجمالي عدد…
بناءً على بنيتها ونتائج الاختبارات المعيارية، تتفوق Qwen3.5-122B-A10B في المهام التي تتضمن الاستدلال متعدد الخطوات، واستخدام الأدوات، واتباع التعليمات. تشير نتيجة τ²-Bench البالغة 93.6 إلى أداء قوي في اختبار معياري يتطلب من النموذج التخطيط وتنفيذ تسلسلات من الإجراءات باستخدام الأدوات (مثل الآلات الحاسبة، ومحركات البحث، ومفسرات الأكواد). هذا يجعله مناسبًا لبناء وكلاء مستقلين يحتاجون إلى التفاعل مع الأنظمة الخارجية. يتعامل النموذج أيضًا مع المدخلات متعددة الوسائط، لذا فإن المهام مثل الاستدلال البصري، وتحليل المستندات بالصور المضمنة، أو تلخيص الفيديو تقع ضمن نقاط قوته. بالإضافة إلى ذلك، يسمح حد الإخراج الكبير له بتوليد شروحات شاملة، وإكمالات للأكواد، أو بيانات منظمة في استجابة واحدة. قد يجد المطورون الذين يعملون على روبوتات المحادثة المعقدة، أو مساعدي البرمجة، أو أدوات تحليل الأبحاث أن هذا النموذج فعال.
بينما يعتبر Qwen3.5-122B-A10B قويًا، إلا أنه ليس الخيار الأكثر كفاءة من حيث التكلفة لكل حالة استخدام. إذا كانت مهمتك تصنيفًا بسيطًا، أو توليد نص قصير، أو أسئلة وأجوبة مباشرة لا تتطلب تفكيرًا متعدد الخطوات أو فهمًا متعدد الوسائط، فقد تحقق نتائج مرضية باستخدام نموذج أصغر مثل Qwen-7B أو نموذج غير متعدد الوسائط. يمكن أن تكون تلك النماذج أسرع وأرخص لكل رمز (توكن). أيضًا، إذا كانت احتياجات السياق لديك صغيرة جدًا (على سبيل المثال، أقل من 1,000 توكن)، فقد لا يكون العبء النسبي لاستخدام نموذج ذي 122 مليار معلمة مفيدًا. يقدم OrcaRouter مجموعة من النماذج بخصائص أسعار وأداء مختلفة. يمكنك تجربة النماذج الأصغر أولاً والترقية فقط إذا كانت الجودة غير كافية. بالإضافة إلى ذلك، إذا كنت لا تحتاج إلى حد الإخراج البالغ 65 ألفًا، فقد يكون النموذج ذو الإخراج الأقصر كافيًا.
النموذج يمتلك نافذة سياق بسعة 32,768 رمزًا، وإخراجًا أقصى يبلغ 65,536 رمزًا، مما يسمح له بمعالجة سلاسل التفكير الممتدة والتعليمات الطويلة. تشير الدرجة العالية في اختبار τ²-Bench إلى قدرته على الحفاظ على الترابط عبر خطوات متعددة واتباع التعليمات المعقدة التي تتضمن منطقًا شرطيًا، واستدعاءات الأدوات، والتفرعات بشكل صحيح. عمليًا، أفاد المستخدمون أن نماذج سلسلة Qwen3.5 تنافس نماذج أخرى متطورة في مهام مثل حل المشكلات الرياضية، وتوليد الكود، والأحجيات المنطقية. ومع ذلك، مثل جميع النماذج الكبيرة، قد يتدهور الأداء إذا كانت السياق مليئًا بمعلومات غير ذات صلة أو إذا كانت التعليمات غامضة. يُوصى بهندسة المطالبات لتوجيه النموذج بفعالية. قد يواجه النموذج أيضًا صعوبة في التعامل مع المستندات الطويلة جدًا (القريبة من حد السياق) حيث يتعين عليه تذكر التفاصيل من البداية.
يتيح الإدخال المتعدد الوسائط (نص + صورة/فيديو) عدة تطبيقات عملية. في تحليل المستندات، يمكن للنموذج قراءة كل من النص والرسوم البيانية والمخططات أو التوقيعات المضمنة داخل ملف PDF أو صورة. على سبيل المثال، يمكنه استخراج البيانات من جدول ممسوح ضوئيًا أو تفسير رسم بياني. في الإجابة على الأسئلة البصرية، يمكن للنموذج الإجابة عن أسئلة حول صورة فوتوغرافية أو رسم توضيحي. في تحليل الفيديو، يمكنه معالجة الإطارات لوصف المشاهد أو تتبع التغييرات بمرور الوقت. يمكن للمطورين بناء أدوات للوصول (مثل وصف الصور للمستخدمين ضعاف البصر) أو الأتمتة (مثل تحليل لقطات شاشة واجهة المستخدم). نظرًا لأنه يتم الوصول إلى النموذج عبر OrcaRouter، يمكن دمج هذه الإمكانيات في التطبيقات الحالية باستخدام نفس استدعاءات API المستخدمة للاستفسارات النصية فقط، ببساطة عن طريق تضمين image_url أو video_url في محتوى الرسالة.
المعيار الوحيد المنشور لهذا النموذج هو τ²-Bench حيث حصل على 93.6. تم تصميم τ²-Bench لتقييم قدرة النموذج على استخدام الأدوات وإكمال المهام متعددة الخطوات في بيئة محاكاة. تشير درجة 93.6 إلى أن النموذج يمكنه إكمال نسبة عالية من هذه المهام بشكل صحيح. للسياق، هذه الدرجة تنافسية مع النماذج الأخرى المتطورة على نفس المعيار. ومع ذلك، لا تترجم درجات المعايير دائمًا إلى أداء في العالم الحقيقي، حيث يمكن أن تختلف المهام في الصعوبة وقد لا يغطي المعيار جميع المجالات. يجب على المستخدمين إجراء تقييماتهم الخاصة على مهامهم المحددة. لا توجد درجات معيارية أخرى (مثل MMLU أو HumanEval أو المعايير متعددة الوسائط) في الحقائق المتاحة، لذلك ليس من الممكن مقارنة هذا النموذج على مجموعة أوسع من المقاييس القياسية.
نقاط القوة: يحقق النموذج درجة عالية في معيار استخدام الأدوات، مما يشير إلى استدلال قوي واتباع التعليمات. قدرته متعددة الوسائط وحد الإخراج الكبير تجعله متعدد الاستخدامات. قد توفر بنية MoE توازنًا جيدًا بين الأداء والكفاءة (على الأقل مقارنة بنموذج كثيف بمعاملات إجمالية مماثلة). القيود: يحتوي النموذج على نافذة سياقية تبلغ 32,768 رمزًا فقط، وهو معتدل مقارنة ببعض النماذج التي تقدم 100 ألف أو أكثر. معاملات التفعيل (10B) منخفضة نسبيًا لنموذج بحجمه الإجمالي، مما قد يحد من الأداء في المهام المعقدة جدًا. لا توجد معلومات متاحة عن زمن الاستجابة أو الإنتاجية أو متطلبات الأجهزة. أيضًا، نظرًا لأن النموذج جديد، فقد يكون النظام البيئي للمجتمع (مثل نصوص الضبط الدقيق، أدوات التكميم) أقل تطورًا من النماذج الأكثر رسوخًا. يجب على المستخدمين اختبار النموذج بدقة.
لا توجد أرقام محددة لزمن الاستجابة أو الإنتاجية متاحة لهذا النموذج على OrcaRouter. تعتمد سرعة الاستدلال على عوامل مثل طول الإدخال، طول الإخراج، حجم الدفعة، والأجهزة الأساسية التي يخصصها OrcaRouter. يمكن أن تكون سرعة نماذج MoE متغيرة لأن آلية التوجيه قد تُفعِّل خبراء مختلفين لرموز مختلفة. بشكل عام، يمكن للنماذج التي تحتوي على 10 مليارات معامل مُفعَّل أن تولد بسرعات معتدلة على وحدات معالجة الرسوميات الحديثة، لكن إجمالي 122 مليار معامل في الذاكرة قد يؤدي إلى استخدام أعلى للذاكرة وأوقات تمهيد أطول. إذا كان زمن الاستجابة المنخفض أمرًا بالغ الأهمية، فقد ترغب في اختبار النموذج باستخدام مطالباتك النموذجية. تعيد واجهة برمجة تطبيقات OrcaRouter الطوابع الزمنية ومقاييس الأداء في رؤوس الاستجابة التي يمكن أن تساعدك في قياس السرعة. بالنسبة للتطبيقات الحساسة لزمن الاستجابة، فكر في استخدام نموذج أصغر إذا كانت المهمة تسمح بذلك.
الحقائق المتاحة تتضمن فقط معيارًا واحدًا: τ²-Bench. المعايير الشائعة مثل MMLU (المعرفة)، HumanEval (البرمجة)، GSM8K (الرياضيات)، أو المعايير متعددة الوسائط مثل MMBench غير متوفرة. هذا يجعل من الصعب تقييم أداء النموذج في المهام غير المرتبطة بالأدوات. على سبيل المثال، إذا كان تطبيقك يتطلب دقة واقعية، فستريد معرفة أدائه على MMLU. وبالمثل، بالنسبة للمهام متعددة الوسائط، ستكون الدرجات على معيار التفكير البصري مفيدة. غياب هذه الدرجات لا يعني ضعف الأداء، ولكنه يعني أن المستخدمين يجب عليهم إجراء تقييماتهم الخاصة. قد يوفر OrcaRouter نتائج معايير إضافية عند الطلب أو في الوثائق. حتى تتوفر المزيد من البيانات، يُنصح بمقارنة النموذج نوعيًا مع نماذج أخرى في مجالك المحدد.
لم يتم توفير تفاصيل التسعير الخاصة بـ Qwen3.5-122B-A10B على OrcaRouter بشكل صريح في المعلومات المتاحة. عادةً، تفرض OrcaRouter رسومًا لكل رمز (token) لكل من الإدخال والإخراج، بمعدلات منفصلة لرموز المطالبة (prompt tokens) والرموز المولَّدة (generated tokens). يتم إصدار فواتير للمدخلات متعددة الوسائط (صور/فيديو) كمعادلات رمزية بناءً على عدد كتل الصور أو إطارات الفيديو التي تمت معالجتها. تقدم بعض المزودين أيضًا أسعارًا مخفضة للإصابات في ذاكرة التخزين المؤقت (cache hits) إذا كرر المستخدم نفس المطالبة. للحصول على التسعير الدقيق، يجب على المستخدمين الرجوع إلى صفحة تسعير OrcaRouter أو الاتصال بفريق المبيعات. نظرًا لأن هذا النموذج يحتوي على 122B معلمة إجمالية وهو متعدد الوسائط، فقد يكون سعره لكل رمز أعلى من النماذج الأصغر أو النصية فقط. من المهم أخذ تكلفة الرموز للصور/الفيديو في الاعتبار عند تقدير النفقات الإجمالية لمهمة ما.
استخدام نموذج أكبر مثل Qwen3.5-122B-A10B عادةً ما يؤدي إلى تكاليف أعلى لكل توكن مقارنة بالنماذج الأصغر. ومع ذلك، إذا كان النموذج قادرًا على حل مهمة بعدد خطوات أقل أو باستخدام توكنز أقل بفضل قدراته، فقد تظل التكلفة الإجمالية تنافسية. يمكن أن يكون الحد الأقصى الكبير للمخرجات (65,536 توكن) ميزة ومخاطرة في آنٍ واحد: إذ أن إنشاء مخرجات طويلة يمكن أن يراكم تكاليف التوكنز بسرعة. بالإضافة إلى ذلك، تستهلك المدخلات متعددة الوسائط توكنزًا أكثر لكل مطالبة مقارنة بالمطالبات النصية فقط. على سبيل المثال، قد تكلف صورة واحدة عالية الدقة مئات التوكنز. إذا كانت مهمتك لا تتطلب كامل قدرات النموذج، فقد توفر المال باختيار نموذج أصغر. من المحتمل أن توفر OrcaRouter لوحات بيانات استخدام وضوابط للتكاليف، مثل تعيين الحد الأقصى لعدد توكنز المخرجات أو تنبيهات الميزانية، مما يمكن أن يساعد في إدارة النفقات.
لا تذكر الحقائق المتاحة أي خصومات على التخزين المؤقت لهذا النموذج في OrcaRouter. تقدم العديد من مزودي الاستدلال ميزة التخزين المؤقت للمطالبات، حيث يتم تخزين النص المتكرر في المطالبات النظامية أو رسائل المستخدم مؤقتًا ويتم محاسبته بسعر أقل. إذا كان OrcaRouter يدعم التخزين المؤقت، فقد يقلل ذلك من التكاليف للتطبيقات التي تستخدم مطالبات ثابتة طويلة (مثل تعليمات النظام، أو أوصاف الشخصيات). ومع ذلك، بدون توثيق محدد، لا ينبغي افتراض ذلك. يمكن للمستخدمين التحقق من رؤوس استجابة API للحصول على مؤشرات نجاح التخزين المؤقت إذا تم تنفيذه. لتقليل التكاليف، يمكنك تصميم المطالبات لتجنب تكرار نفس البادئات الطويلة عن طريق فصل التعليمات الثابتة عن المحتوى الديناميكي. أيضًا، ضع في اعتبارك استخدام نوافذ سياق أقصر أو حذف الصور غير الضرورية عند الإمكان.
لاستخدام Qwen3.5-122B-A10B، أرسل طلب POST إلى نقطة نهاية OrcaRouter API على الرابط https://api.orcarouter.ai/v1/chat/completions. عيّن معلمة النموذج إلى "qwen/qwen3.5-122b-a10b". واجهة API متوافقة تمامًا مع تنسيق إكمال المحادثات الخاص بـ OpenAI، لذا يمكنك استخدام مكتبات العميل نفسها (مثل مكتبة openai بلغة Python) عن طريق تغيير عنوان URL الأساسي ومفتاح API. يتضمن جسم الطلب رسائل (كل منها يحوي دورًا ومحتوى)، واختياريًا معاملات مثل temperature، وmax_tokens، وtop_p، إلخ. للإدخال متعدد الوسائط، استخدم كتلة محتوى تحتوي على نوع: "image_url" للصور أو معالجة الفيديو الخاصة بالنموذج (عبر إطارات مشفرة بـ base64 أو رابط). ستعيد API استجابة بتنسيق JSON تحتوي على النص المُنشأ وبيانات وصفية عن الاستخدام (عدد الرموز المميزة). توفر وثائق OrcaRouter مزيدًا من التفاصيل حول المعاملات المدعومة.
يدعم النموذج معلمات الدردشة القياسية: temperature (الافتراضية عادة 0.7)، top_p (الافتراضية 0.9)، max_tokens (حتى أقصى إخراج للنموذج وهو 65,536)، presence_penalty، frequency_penalty، وتسلسلات الإيقاف (stop sequences). حد نافذة السياق هو 32,768 رمزًا (token) يشمل جميع الرسائل والصور وإطارات الفيديو. إذا تجاوز إجمالي عدد الرموز هذا الحد، ستعيد API خطأً أو تقطع الإدخال (حسب الإعدادات). لا يمكن أن تتجاوز معلمة max_tokens القيمة 65,536. بالنسبة للطلبات متعددة الوسائط، لاحظ أن الصور والفيديوهات تضيف رموزًا؛ لا يتم توفير معدل التحويل الدقيق، لكن الصور عالية الدقة أو مقاطع الفيديو الطويلة يمكن أن تستهلك نافذة السياق بسرعة. قد يدعم OrcaRouter أيضًا وضع التدفق (stream mode)، حيث يتم دفق الاستجابات رمزًا برمز، وهو مفيد للتطبيقات في الوقت الفعلي. راجع مرجع API للحصول على خيارات إضافية مثل logprobs أو tools.
الترحيل سهل ومباشر: استبدل عنوان URL الأساسي الخاص بك بـ `https://api.orcarouter.ai/v1`، واستخدم معرف النموذج `"qwen/qwen3.5-122b-a10b"`، وقدّم مفتاح API الخاص بـ OrcaRouter. تنسيق الطلب مماثل تمامًا لواجهة برمجة تطبيقات chat completions الخاصة بـ OpenAI. على سبيل المثال، في بايثون باستخدام مكتبة openai، يمكنك تعيين `client = OpenAI(base_url='https://api.orcarouter.ai/v1', api_key='your_key')`. ثم استدعِ `client.chat.completions.create(model='qwen/qwen3.5-122b-a10b', messages=...)`. إذا كان تطبيقك يستخدم استدعاء الدوال أو الأدوات، لاحظ أن النموذج يدعمها لأنه مُدرَّب على τ²-Bench الذي يتضمن استخدام الأدوات. ومع ذلك، قد يختلف بناء جملة استدعاء الأداة عن بناء جملة OpenAI؛ يدعم OrcaRouter على الأرجح تنسيق OpenAI ولكن اختبر للتأكيد. بالنسبة للمدخلات متعددة الوسائط، قد يعمل الكود الحالي الذي يرسل `image_url` في الرسائل طالما أن النموذج يدعم هذا التنسيق.
ضمن عائلة Qwen، يقع هذا النموذج بين النماذج الكثيفة الأصغر (مثل Qwen-7B، Qwen-14B) وأكبر نماذج MoE (مثل Qwen3.5-235B). بالمقارنة مع النماذج الكثيفة، يمكن لنموذج MoE هذا الوصول إلى مجموعة معلمات إجمالية أكبر لكنه ينشط فقط جزءًا صغيرًا لكل رمز، مما قد يسمح بخبراء أكثر تخصصًا. يمكن أن يؤدي هذا إلى أداء أفضل في مجموعة متنوعة من المهام، خاصة تلك التي تتطلب معرفة متنوعة. ومع ذلك، يمكن أن تكون النماذج الكثيفة الأصغر أسرع وأقل تكلفة للمهام المحدودة. بالمقارنة مع النموذج الأكبر Qwen3.5-235B، من المحتمل أن يكون أداء هذا النموذج أقل ولكنه أكثر كفاءة. دعم الوسائط المتعددة هو ميزة شائعة في جيل Qwen3.5؛ الإصدارات السابقة (Qwen2، Qwen1) كانت نصية فقط. يجب على المستخدمين مقارنة نتائج القياسات المعيارية في مهامهم المحددة لتحديد النموذج الأنسب.
من الصعب إجراء مقارنات مباشرة بدون معايير شاملة. يحقق نموذج Qwen3.5-122B-A10B درجة 93.6 على معيار τ²-Bench، وهي نتيجة قوية لمهام استخدام الأدوات. للمقارنة، لم يتم توفير درجات مماثلة على هذا المعيار للنماذج الأخرى، لكنها تُعتبر قدرة عالية المستوى. من حيث البنية، نماذج Llama كثيفة وأبسط، بينما تمتلك نماذج Claude بنى ملكية مختلفة. يوفر Qwen3.5 إدخالًا متعدد الوسائط (صورة/فيديو) وهو ما يدعمه Claude، لكن Llama 3.2 و3.1 نصيان فقط (باستثناء بعض المتغيرات البصرية). نافذة السياق البالغة 32K أصغر من نافذة Claude البالغة 100K أو 200K لكنها مماثلة لنافذة Llama 3.1 البالغة 128K؟ ليس تمامًا؛ يجب ألا نختلق أرقامًا. بالنسبة للبرمجة والاستدلال، العديد من النماذج تنافسية. قد تكون ميزة هذا النموذج هي ضبطه المحدد لاستخدام الأدوات (الدرجة العالية في τ²-Bench) وكفاءة MoE متعددة الوسائط. لكن نماذج Claude وLlama تمتلك أنظمة بيئية أكبر ودعمًا مجتمعيًا أوسع.
تجمع نماذج قليلة بين المدخلات متعددة الوسائط، نافذة سياق كبيرة، حد مخرجات كبير، ودرجة عالية في اختبار τ²-Bench في حزمة واحدة. سلسلة Qwen3.5 مصممة لتكون نموذجًا عامًا قادرًا يتمتع بقدرات استدلالية قوية ومهارات استخدام الأدوات. تسمح بنية MoE التي تضم إجمالي 122B و10B نشطة بتجميع قدر كبير من المعرفة مع الحفاظ على تكاليف الاستدلال أقل من نموذج 122B كثيف. ومع ذلك، فإن نماذج MoE الأخرى مثل Mixtral 8x7B (إجمالي 47B، نشط 13B) لها مفاضلات مختلفة. يتمتع نموذج Qwen3.5-122B-A10B بعدد معاملات إجمالي أكبر بكثير ولكن معاملات نشطة أقل لكل رمز (10B مقابل 13B). الدعم متعدد الوسائط هو عامل تمييز؛ Mixtral نصي فقط. في فضاء MoE متعدد الوسائط، توجد نماذج مثل Qwen-VL أو نماذج أخرى ولكن غالبًا ما تكون نوافذ السياق أصغر. يتم وضع هذا النموذج كخيار قوي للمطورين الذين يحتاجون إلى نموذج واحد لمهام متنوعة ومتعددة الوسائط وكثيفة الأدوات على OrcaRouter.
اختر Qwen3.5-122B-A10B إذا كانت تطبيقك تتطلب فهمًا متعدد الوسائط واستدلالًا معقدًا متعدد الخطوات، وتحتاج إلى حد الإخراج الكبير لتوليد ردود طويلة. كما أنه خيار جيد إذا كنت تبني أنظمة وكيلة تستخدم الأدوات، نظرًا لدرجته العالية على τ²-Bench. إذا كانت مهمتك نصية فقط ولا تحتاج إلى السعة الإضافية، فقد يكون نموذج أرخص مثل Llama 3.1 70B أو Qwen-14B كافيًا. إذا كنت بحاجة إلى نافذة سياق أكبر (مثل >100K رمز)، ففكر في النماذج المصممة خصيصًا للسياق الطويل. إذا كنت بحاجة إلى زمن استجابة أقل، فقد يكون النموذج الأصغر أو الكثيف أفضل. نظرًا لأن OrcaRouter يقدم العديد من النماذج، يمكنك تقييم العديد منها عبر نفس API للعثور على أفضل ما يناسب أهداف التكلفة والجودة. معرف النموذج هو qwen/qwen3.5-122b-a10b.
متوافق مع OpenAI — أبقِ على SDK الحالي
https://api.orcarouter.ai/v1import os
from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key=os.environ["ORCAROUTER_API_KEY"],
)
response = client.chat.completions.create(
model="qwen/qwen3.5-122b-a10b",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)enable_searchenable_thinkinginclude_reasoninglogprobsmax_tokensnparallel_tool_callspresence_penaltyreasoningrepetition_penaltyresponse_formatseedstopstreamstream_optionstemperaturethinking_budgettool_choicetoolstop_ktop_logprobstop_p| الفئة | الإدخال / 1M توكن | الإخراج / 1M توكن |
|---|---|---|
| ≤ 128K | $0.115 | $0.917 |
| ≤ ∞ | $0.287 | $2.294 |
| يتم تحديد الفئة حسب عدد رموز الإدخال لكل طلب | ||
تقدير بناءً على السعر المُعلن
تسعير متدرّج — يستخدم هذا التقدير أسعار المستوى الأساسي.
تقدير فقط — يعتمد العدد الفعلي للرموز على مُجزّئ الرموز الخاص بالمزوّد.
ما يتحدث عنه المطورون هذا الأسبوع
GET /api/public/models/qwen/qwen3.5-122b-a10bفتح @misc{orcarouter_qwen3_5_122b_a10b,
title = {Qwen3.5-122B-A10B API},
author = {Qwen},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/qwen/qwen3.5-122b-a10b}
}Qwen. (2026). Qwen3.5-122B-A10B API. OrcaRouter. https://www.orcarouter.ai/models/qwen/qwen3.5-122b-a10b