Qwen3.6 35B-A3B — نموذج MoE متعدد الوسائط مفتوح الوزن (نص/صورة/فيديو)، بإجمالي 35B مع 3B معاملات نشطة، وسياق 256k.
Qwen3.6 35B A3B هو نموذج لغوي كبير يعمل بتقنية خليط الخبراء (MoE) من عائلة Qwen. يحتوي على 35 مليار معلمة إجمالية، لكن يتم تنشيط حوالي 3 مليارات منها فقط خلال كل تمرير أمامي. يتيح هذا التصميم توسيع…
تتفوق Qwen3.6 35B A3B في المهام التي تستفيد من نوافذ السياق الطويلة والفهم المتعدد الوسائط. وتشمل هذه المهام الإجابة على الأسئلة على مستوى المستندات، وتلخيص التقارير الطويلة، وتوليد الأكواد بسياق ممتد، والاستدلال المعقد عبر خطوات متعددة. يسمح سياق النموذج البالغ 262,144 رمزًا بمعالجة كتب كاملة، وقواعد بيانات أكواد ضخمة، أو ساعات من الفيديو المُفَرَّغ. ويشير أداؤه القوي في τ²-Bench (95.3) إلى أداء قوي في المهام التي تتطلب استرجاع المعلومات من المدخلات الطويلة واستخدامها، بالإضافة إلى استدعاء الأدوات الخارجية والالتزام بالتعليمات عبر العديد من التفاعلات. تضيف المدخلات المتعددة الوسائط — الصور ومقاطع الفيديو — القدرة على تحليل المحتوى البصري جنبًا إلى جنب مع النص في استفسار واحد.
يدعم النموذج الإدخال في شكل نصوص وصور وملفات فيديو. عند إرسال طلب عبر واجهة برمجة التطبيقات (API) الخاصة بـ OrcaRouter، يمكنك تضمين بيانات الصور (مثل المشفرة بـ base64 أو عنوان URL) وملفات الفيديو داخل رسالة المستخدم، باتباع نفس التنسيق متعدد الوسائط الذي تستخدمه مزودات الخدمة الأخرى. يعالج النموذج هذه العناصر المرئية بالاشتراك مع النص الموجه، مما يسمح له بالتفكير في الرسوم البيانية والمخططات والصور الفوتوغرافية أو مقاطع الفيديو. على سبيل المثال، يمكنك أن تطلب منه وصف مشهد من فيديو، أو استخراج بيانات من صورة، أو دمج تعليمات نصية مع سياق بصري. المخرجات تكون دائمًا نصًا. لا توجد تسعيرة منفصلة للمدخلات متعددة الوسائط—يتم محاسبتها بنفس معدل الإدخال لكل رمز (token).
تسمح نافذة السياق التي تتكون من 262,144 رمزًا للنموذج بمعالجة تسلسلات طويلة جدًا دون اقتطاع. ومع ذلك، قد يزيد معالجة السياق الطويل من زمن الاستجابة واستخدام الذاكرة. تساعد بنية MoE في تخفيف التكاليف لأن 3 مليارات معامل فقط تكون نشطة لكل رمز، لكن آلية الانتباه الكامل لا تزال تتدرج مع طول التسلسل. في المهام التي تكون فيها المعلومات ذات الصلة موزعة عبر إدخال طويل، تشير درجة Qwen3.6 35B A3B العالية في τ²-Bench إلى قدرته على استرجاع المعلومات واستنتاجها بفعالية. بالنسبة للمستندات الطويلة جدًا، يُوصى باستراتيجيات التقسيم أو استخدام قدرات التلخيص الذاتي للنموذج. أما بالنسبة للمهام ذات السياق القصير، فقد يكون نموذج كثيف وأرخص أكثر اقتصادية.
إذا كانت حالة استخدامك تتضمن مطالبات قصيرة (أقل من 4 آلاف رمز)، أو مهام بسيطة مثل التصنيف أو الاستخراج، أو لا تتطلب إدخالًا متعدد الوسائط، فإن نموذجًا أصغر حجمًا كثيفًا—مثل نموذج معاملات 7B—قد يوفر زمن استجابة وتكلفة أقل. سعر الرمز الواحد لنموذج Qwen3.6 35B A3B ($0.25/$1.48 لكل مليون رمز) معتدل، ولكن بالنسبة لأحمال العمل عالية الحجم ومنخفضة التعقيد، قد يكون النموذج ذو المعاملات النشطة الأقل (مثل نموذج كثيف 1B أو 3B) أكثر فعالية من حيث التكلفة. بالإضافة إلى ذلك، إذا لم تكن بحاجة إلى السياق الطويل أو القدرات متعددة الوسائط، فأنت تدفع مقابل تكاليف إضافية قد لا تستخدمها. قم بتقييم متوسط أطوال المطالبة والإخراج لديك مقابل نقاط قوة النموذج لاتخاذ القرار.
τ²-Bench هو معيار يقيم قدرة النموذج على أداء الاستدلال طويل السياق واستخدام الأدوات متعددة الخطوات. يتضمن معالجة مجموعة كبيرة من البيانات (مثل قاعدة بيانات من المستندات أو قاعدة كود) ثم الإجابة على أسئلة تتطلب استرجاع وتجميع المعلومات من تلك المجموعة. تشير درجة 95.3 إلى أن النموذج نجح في التعامل مع هذه المهام بدقة عالية، متجاوزًا العديد من النماذج الأخرى في هذا المعيار المحدد. يشير ذلك إلى قدرات قوية في الاسترجاع والاستدلال واتباع التعليمات عبر سياقات ممتدة. ومع ذلك، يجب تفسير درجات المعايير كمقياس واحد للأداء؛ قد تختلف النتائج في العالم الحقيقي اعتمادًا على تفاصيل المهمة.
تتأثر زمن الاستجابة (Latency) لنموذج Qwen3.6 35B A3B بهندسته المعمارية MoE: حيث يتم تنشيط 3 مليارات معلمة فقط لكل رمز (token)، مما يسمح عادةً باستدلال أسرع من نموذج كثيف بحجم 35 مليار معلمة. ومع ذلك، لا تزال آلية الانتباه (attention) تتطلب معالجة نافذة السياق كاملة، لذا تؤدي المدخلات الأطول إلى زيادة الوقت حتى أول رمز. لا تنشر OrcaRouter معايير أداء محددة لزمن الاستجابة لهذا النموذج. في الممارسة العملية، تعتمد أوقات الاستجابة على حمل الطلبات، وطول المطالبة (prompt)، وعدد الرموز المخرجة. بالنسبة للتطبيقات في الوقت الفعلي، اختبر باستخدام مدخلاتك النمطية. بالنسبة للمعالجة الدفعية، يمكن لكفاءة التكلفة للنموذج أن تعوض فترات الاستجابة الأطول. يجب على المستخدمين مراعاة كل من السرعة والتكلفة عند المقارنة مع النماذج الكثيفة.
النتيجة الأساسية للمعيار المقدمة هي درجة τ²-Bench البالغة 95.3، والتي تشير إلى استدلال قوي في السياق الطويل واستخدام الأدوات. هذه منطقة قوة رئيسية. كما أن تعدد الوسائط في النموذج يضعه في موقع جيد للمهام التي تجمع بين البيانات المرئية والنصية، على الرغم من عدم تقديم نتائج معيارية منفصلة للمهام البصرية هنا. بناءً على البنية، يمكن توقع أن يؤدي النموذج أداءً جيدًا في المهام التي تستفيد من العدد الكبير من المعاملات ولكنها لا تتطلب تفعيل جميع المعاملات بالكامل. قد يؤدي تصميم MoE إلى اتساق أقل قليلاً مقارنة بالنماذج الكثيفة في بعض المهام المحددة، لكنه يقدم مقايضة مواتية بين القدرة والتكلفة.
على الرغم من أن درجة τ²-Bench عالية، إلا أنها معيار واحد؛ لم يتم تقديم الأداء على معايير أخرى (مثل MMLU و MATH ومسابقات البرمجة). قد تتفوق النماذج الكثيفة المماثلة (مثل نموذج كثيف كامل بحجم 35B) في المهام التي تتطلب تشغيل جميع المعلمات في وقت واحد، مثل بعض مهام التفكير الرياضي أو المهام متعددة اللغات. أيضًا، يتم دعم الإدخال متعدد الوسائط ولكن جودة فهم الفيديو قد تعتمد على أخذ عينات الإطارات والضغط. لم يتم قياس زمن الاستجابة علنًا. يجب على المستخدمين عدم افتراض أن النموذج هو الخيار الأفضل لكل سيناريو؛ قم دائمًا بالتقييم مقابل حالة الاستخدام الخاصة بك وفكر في تشغيل معاييرك الخاصة.
التسعير لكل رمز، ويتم الفوترة بشكل منفصل للإدخال والإخراج. التكلفة هي 0.25 دولار لكل مليون رمز إدخال و1.48 دولار لكل مليون رمز إخراج. هذه هي أسعار المزود، ولا يطبق OrcaRouter أي هامش ربح. رموز الإدخال تشمل جميع الرموز في المطالبة، بما في ذلك النص وترميز الصور وترميز الفيديو. رموز الإخراج هي جميع الرموز المولّدة في الاستجابة. لا توجد رسوم إضافية لاستخدام واجهة API، ولا اشتراكات شهرية، ولا متطلبات استخدام أدنى. تتم معالجة الفوترة بواسطة OrcaRouter بناءً على استخدام الرموز. نظرًا لأن 3 مليارات معلمة فقط نشطة لكل رمز، فإن تكلفة الحوسبة بالنسبة للمزود أقل من نموذج كثيف يضم 35 مليار معلمة، ويتم تمرير هذا التوفير في التسعير.
سعر الإدخال ($0.25/1M رمز) منخفض نسبيًا، بينما سعر الإخراج ($1.48/1M) أعلى، مما يعكس تكلفة التوليد. إذا كان تطبيقك يُخرج عددًا كبيرًا من الرموز (مثل ملخصات طويلة، توليد كود)، فستسيطر تكلفة الإخراج. في هذه الحالات، فكر في تقليل طول الإخراج عبر التعليمات أو استخدام نموذج أرخص للتوليد إذا كانت الجودة تسمح بذلك. على العكس، إذا كان لديك مطالبات طويلة جدًا ولكن مخرجات قصيرة، فإن تكلفة الإدخال تكون مناسبة. تعني بنية MoE أن تكلفة الاستدلال لكل رمز أقل من نموذج كثيف له نفس المعلمات الإجمالية، لكن التسعير هنا محدد بسعر المزود؛ أنت تدفع مقابل الكفاءة.
لا يكشف OrcaRouter علنًا عن توفر التخزين المؤقت للمطالبات لهذا النموذج. إذا تم تنفيذ التخزين المؤقت، فقد يقلل التكاليف من خلال تجنب إعادة ترميز بادئات المطالبات المتطابقة. ومع ذلك، لم يتم ذكر هذه الميزة لهذا النموذج تحديدًا. يجب على المستخدمين افتراض أن كل طلب يتم فوترة وفقًا للأسعار القياسية لكل رمز. بالنسبة للمطالبات المتكررة، فكر في تجميع الاستعلامات أو استخدام بادئات أقصر لتقليل استخدام الرموز المدخلة. يمكنك أيضًا مراقبة عدد الرموز عبر حقل استخدام الاستجابة في واجهة برمجة التطبيقات لتحسين التكاليف. للاستخدام على نطاق المؤسسات، اتصل بـ OrcaRouter لمناقشة الترتيبات المخصصة المحتملة أو دعم التخزين المؤقت.
يعني الترميز الصفري أن OrcaRouter تفرض عليك نفس السعر لكل رمز (توكن) الذي تحدده جهة الموديل (Qwen). لا تتم إضافة أي رسوم منصة إضافية أو تكاليف عامة أو هامش ربح. إن $0.25/1M للمدخلات و $1.48/1M للمخرجات هما أسعار المزود نفسه. هذه شفافية في التسعير؛ أنت تدفع فقط مقابل تكلفة الاستدلال الأساسية. لا تزال OrcaRouter تدير بنية API التحتية، والتوجيه، والفواتير، لكنها لا تفرض رسومًا إضافية مقابل تلك الخدمة. هذا يمكن أن يجعل Qwen3.6 35B A3B أكثر اقتصادية مقارنة ببعض المنصات الأخرى التي قد تضيف ترميزًا. ومع ذلك، قد تحتاج إلى مقارنة التكاليف الإجمالية بما في ذلك أي خصومات حجم أو أرصدة تقدمها OrcaRouter بشكل منفصل.
استخدم نقطة نهاية إكمال الدردشة المتوافقة مع OpenAI على https://api.orcarouter.ai/v1. عيّن معامل model إلى "qwen/qwen3.6-35b-a3b". قم ببناء الرسائل كما تفعل مع API الخاص بـ OpenAI، بما في ذلك رسالة النظام إذا رغبت، ورسائل المستخدم. للإدخال متعدد الوسائط، قم بتضمين مصفوفة من أجزاء المحتوى من نوع "text" و"image_url" (أو "video_url"). مثال (كود زائف): curl https://api.orcarouter.ai/v1/chat/completions -H "Authorization: Bearer YOUR_ORCAROUTER_API_KEY" -d '{"model":"qwen/qwen3.6-35b-a3b","messages":[{"role":"user","content":[{"type":"text","text":"Describe this image"},{"type":"image_url","image_url":{"url":"https://example.com/photo.jpg"}}]}]}'. يتبع الاستجابة تنسيق OpenAI مع choices, usage, إلخ.
المعلمات القياسية لـ OpenAI مدعومة: temperature (0 إلى 2، الافتراضي 1)، top_p (0 إلى 1، الافتراضي 1)، max_tokens (حتى 65536)، تسلسلات الإيقاف، frequency_penalty، presence_penalty، و stream. بالنسبة للطلبات متعددة الوسائط، يمكنك تمرير الصور كعناوين URL لبيانات base64 أو عناوين URL عامة. قد تتطلب مدخلات الفيديو ترميزًا محددًا — راجع وثائق OrcaRouter. قد تكون المعلمات الإضافية مثل seed لإمكانية التكرار مدعومة ولكنها غير مضمونة. لا يدعم النموذج استدعاء الدوال أو الأدوات بشكل أصلي؛ ومع ذلك، يمكنك محاكاة استدعاءات الأدوات عن طريق توجيه النموذج في مطالبة النظام. لاستدعاء الأدوات بالتوازي، ستحتاج إلى إدارة الحلقة خارجيًا. يُوصى باستخدام البث للتطبيقات في الوقت الفعلي لتقليل زمن الانتقال الملحوظ.
إذا كنت معتادًا على واجهة برمجة تطبيقات متوافقة مع OpenAI، فإن الترحيل يتطلب فقط تغيير عنوان URL الأساسي ومعرّف النموذج. استبدل نقطة النهاية الحالية بـ https://api.orcarouter.ai/v1 واضبط النموذج على "qwen/qwen3.6-35b-a3b". يستخدم المصادقة مفتاح API يوفره OrcaRouter (يُضبط في رأس Authorization كـ Bearer). يتم إدارة حدود معدل الطلب والفواتير بواسطة OrcaRouter. بالنسبة للترحيل متعدد الوسائط، تأكد من تنسيق الصور/الفيديو الخاص بك يتطابق مع المخطط المتوقع (متوافق مع OpenAI). تنسيق الاستجابة مطابق لتكملات الدردشة الخاصة بـ OpenAI، لذا يجب أن يعمل كود التحليل الحالي مع تغييرات طفيفة. اختبر باستخدام طلب واحد لتأكيد أن عد الرموز والزمن المقبولين مقبولان.
نعم، يدعم النموذج البث عبر بروتوكول أحداث الخادم (SSE) المتوافق مع OpenAI. قم بتعيين "stream": true في طلبك. سيقوم التدفق بإصدار delta tokens أثناء إنشائها، تمامًا كما هو الحال مع بث OpenAI، بما في ذلك finish_reason ومعلومات usage في الحدث النهائي. البث مفيد للتطبيقات التفاعلية حيث ترغب في عرض المخرجات بشكل تدريجي. لاحظ أن البث لا يقلل من إجمالي تكاليف tokens؛ يتم محاسبتك على المخرجات الكاملة. قد تنتج بنية MoE الرموز المميزة بمعدل ثابت، لكن الإنتاجية الفعلية تعتمد على تحميل الشبكة والخادم. اختبر تكاملك لضمان التعامل السليم مع أحداث البث.
بالمقارنة مع Mixtral 8x7B (نموذج MoE شهير بإجمالي 47 مليار معامل، و12.9 مليار معامل نشط)، فإن Qwen3.6 35B A3B يحتوي على عدد أقل من المعاملات الإجمالية، ولكنه أيضًا يحتوي على معاملات نشطة أقل (3 مليار مقابل 12.9 مليار). وهذا يجعله أكثر فعالية من حيث التكلفة لكل رمز (token). يبلغ طول نافذة السياق 262 ألف رمز، وهو أكبر بكثير من النافذة الافتراضية لـ Mixtral البالغة 32 ألفًا (على الرغم من إمكانية تمديد Mixtral). كما يدعم Qwen3.6 A3B إدخال الصور والفيديو، وهو ما لا يدعمه Mixtral بشكل أصلي. في المقاييس المعيارية، تسجل Mixtral حوالي 65-70 على اختبار τ²-Bench؟ غير مذكور؛ لكن تسجيل Qwen لـ 95.3 يعتبر مرتفعًا جدًا لذلك الاختبار المعياري المحدد. بالنسبة للمهام النصية البحتة ذات السياق القصير، قد يكون أداء Mixtral مشابهًا أو أفضل في بعض مهام الاستدلال بسبب وجود معاملات نشطة أكثر. أما بالنسبة للمهام طويلة السياق ومتعددة الوسائط، فـ Qwen3.6 A3B يتمتع بميزة واضحة.
النموذج الكثيف بمعاملات 35 مليار سيتطلب حوالي 12 ضعفًا من الحساب لكل رمز مقارنةً بالمعاملات النشطة البالغة 3 مليارات في هذا النموذج MoE. وبالتالي، يوفر نموذج Qwen3.6 A3B ميزة في السرعة والتكلفة أثناء الاستدلال، على حساب بعض الاتساق المحتمل، لأن توجيه الخبراء قد لا يُفعّل دائمًا الخبراء الأكثر صلة بكل إدخال. غالبًا ما تحقق النماذج الكثيفة جودة أكثر قابلية للتنبؤ عبر المهام المتنوعة. ومع ذلك، تشير درجة τ²-Bench إلى أن نموذج MoE هذا يمكنه منافسة النماذج الكثيفة في الاستدلال الطويل السياق. إذا كان لديك حمل عمل إنتاجي عالي الحجم حيث تكون زمن الاستجابة والتكلفة أمرًا بالغ الأهمية، فإن نهج MoE مفيد. أما بالنسبة للبحث الذي يتطلب سلوكًا حتميًا، فقد يكون النموذج الكثيف هو الأفضل.
اختر Qwen3.6 35B A3B عندما يتطلب تطبيقك: (1) معالجة مستندات طويلة جداً (حتى 262 ألف رمز) في تمريرة واحدة، (2) فهم متعدد الوسائط يشمل الصور والفيديو، (3) أداء قوي في المهام التي تتضمن استرجاع واستدلال عبر سياقات كبيرة (كما يُقاس بـ τ²-Bench)، و(4) كفاءة من حيث التكلفة بفضل بنية MoE ذات المعاملات النشطة المنخفضة. إذا كانت مهامك قصيرة الشكل، ونصية فقط، ولا تتطلب سياقاً طويلاً، فقد يكون نموذج أرخص مثل نموذج 7B الكثيف كافياً. أما بالنسبة للمهام التي تتطلب أعلى جودة ممكنة في معايير ضيقة (مثل مسائل مسابقات الرياضيات)، فقد يتفوق نموذج كثيف أكبر (مثل 70B).
تشمل البدائل نماذج Qwen2.5 32B أو 72B الكثيفة إذا كنت بحاجة إلى جودة أكثر اتساقًا عبر جميع المهام. بالنسبة للوسائط المتعددة، تقدم GPT-4o أو Claude 3.5 Sonnet فهمًا بصريًا أوسع ولكن بتكلفة أعلى. للإنتاجية العالية جدًا، يمكن أن يكون نموذج MoE أصغر مثل Qwen2.5 14B A2B أرخص. إذا كنت تحتاج إلى استدعاء الدوال أو استخدام الأدوات مع مخرجات منظمة، ففكر في نماذج تدعم استدعاء الدوال بشكل أصلي (مثل GPT-4 أو Claude). يعتمد الاختيار في النهاية على المزيج المحدد لديك من طول السياق، والوسائط، وتحمل زمن الاستجابة، والميزانية. قم دائمًا بإجراء تقييمك الخاص باستخدام أمثلة تمثيلية.
متوافق مع OpenAI — أبقِ على SDK الحالي
https://api.orcarouter.ai/v1from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key="$ORCAROUTER_API_KEY",
)
response = client.chat.completions.create(
model="qwen/qwen3.6-35b-a3b",
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| الإدخال / 1M توكن | $0.248 |
| الإخراج / 1M توكن | $1.485 |
| العملة | USD |
تقدير بناءً على السعر المُعلن
تقدير فقط — يعتمد العدد الفعلي للرموز على مُجزّئ الرموز الخاص بالمزوّد.
GET /api/public/models/qwen/qwen3.6-35b-a3bفتح @misc{orcarouter_qwen3_6_35b_a3b,
title = {Qwen3.6 35B A3B API},
author = {Qwen},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/qwen/qwen3.6-35b-a3b}
}Qwen. (2026). Qwen3.6 35B A3B API. OrcaRouter. https://www.orcarouter.ai/models/qwen/qwen3.6-35b-a3b