Qwen3.6 35B-A3B — modèle MoE multimodal open-weight (texte/image/vidéo), 35B total / 3B paramètres actifs, contexte 256k.
Qwen3.6 35B A3B est un modèle de langage large de type mixture-of-experts (MoE) de la famille Qwen. Il contient 35 milliards de paramètres au total, mais seulement environ 3 milliards sont activés…
Qwen3.6 35B A3B excelle dans les tâches qui bénéficient de fenêtres de contexte longues et d'une compréhension multimodale. Cela inclut le question-réponse au niveau des documents, le résumé de longs rapports, la génération de code avec un contexte étendu, et le raisonnement complexe en plusieurs étapes. Le contexte de 262 144 tokens du modèle lui permet d'ingérer des livres entiers, des bases de code volumineuses ou des heures de vidéo transcrite. Sa performance sur τ²-Bench (95,3) indique une grande compétence dans les tâches nécessitant de récupérer et d'utiliser des informations à partir de longues entrées, ainsi que d'appeler des outils externes et de suivre des instructions sur plusieurs tours. Les entrées multimodales — images et vidéos — ajoutent la capacité d'analyser le contenu visuel en même temps que le texte dans une seule invite.
Le modèle prend en charge les entrées sous forme de texte, d'images et de fichiers vidéo. Lors de l'envoi d'une requête via l'API d'OrcaRouter, vous pouvez inclure des données d'image (par exemple, encodées en base64 ou des URL) et des fichiers vidéo dans le message utilisateur, en suivant le même format multimodal utilisé par les autres fournisseurs. Le modèle traite ces éléments visuels conjointement avec l'invite textuelle, ce qui lui permet de raisonner sur des graphiques, des diagrammes, des photographies ou des clips vidéo. Par exemple, vous pouvez lui demander de décrire une scène d'une vidéo, d'extraire des données d'une image ou de combiner des instructions textuelles avec un contexte visuel. La sortie est toujours du texte. Il n'y a pas de tarification séparée pour les entrées multimodales — elles sont facturées au même taux d'entrée par jeton.
La fenêtre de contexte de 262 144 tokens permet au modèle de traiter de très longues séquences sans troncature. Cependant, le traitement de longs contextes peut augmenter la latence et l'utilisation mémoire. L'architecture MoE contribue à réduire les coûts car seuls 3B paramètres sont actifs par token, mais le mécanisme d'attention complet reste proportionnel à la longueur de la séquence. Pour les tâches où les informations pertinentes sont dispersées dans une entrée longue, le score élevé de Qwen3.6 35B A3B sur τ²-Bench suggère qu'il peut les retrouver et raisonner efficacement. Pour les documents très longs, envisagez des stratégies de segmentation ou utilisez les capacités de résumé du modèle. Pour les tâches à contexte court, un modèle dense moins coûteux peut être plus économique.
Si votre cas d'utilisation implique des prompts courts (moins de 4K jetons), des tâches simples comme la classification ou l'extraction, ou ne nécessite pas d'entrée multimodale, un modèle dense plus petit—par exemple une variante à 7B paramètres—peut offrir une latence et un coût réduits. Le prix par jeton de Qwen3.6 35B A3B ($0.25/$1.48 par million de jetons) est modéré, mais pour des charges de travail à volume élevé et faible complexité, un modèle avec encore moins de paramètres actifs (par exemple, 1B ou 3B dense) pourrait être plus rentable. De plus, si vous n'avez pas besoin du contexte long ou des capacités multimodales, vous payez pour des surcoûts que vous n'utiliserez peut-être pas. Évaluez la longueur moyenne de vos prompts et sorties par rapport aux forces du modèle pour décider.
τ²-Bench est un benchmark qui évalue la capacité d'un modèle à effectuer un raisonnement sur de longs contextes et une utilisation multi-étapes d'outils. Il implique le traitement d'un large corpus (par exemple, une base de données de documents ou une base de code) puis la réponse à des questions qui nécessitent la récupération et la synthèse d'informations issues de ce corpus. Un score de 95,3 indique que le modèle a géré ces tâches avec une grande précision, surpassant de nombreux autres modèles sur ce benchmark spécifique. Cela suggère de solides capacités de récupération, de raisonnement et de suivi d'instructions sur des contextes étendus. Cependant, les scores de benchmark doivent être interprétés comme une mesure de performance parmi d'autres ; les résultats en situation réelle peuvent varier selon les spécificités de la tâche.
La latence pour Qwen3.6 35B A3B est influencée par son architecture MoE : seuls 3B paramètres sont actifs par token, ce qui permet généralement une inférence plus rapide qu'un modèle dense de 35B. Cependant, le mécanisme d'attention nécessite toujours le traitement de la fenêtre de contexte complète, donc des entrées plus longues augmentent le temps jusqu'au premier token. OrcaRouter ne publie pas de benchmarks de latence spécifiques pour ce modèle. En pratique, les temps de réponse dépendent de la charge de requêtes, de la longueur de la prompt et du nombre de tokens de sortie. Pour les applications en temps réel, testez avec vos entrées typiques. Pour le traitement par lots, l'efficacité en coût du modèle peut compenser des latences plus longues. Les utilisateurs devraient considérer à la fois la vitesse et le coût lorsqu'ils comparent aux modèles denses.
Le principal résultat de référence fourni est le score τ²-Bench de 95,3, ce qui indique un raisonnement solide sur des contextes longs et l'utilisation d'outils. C'est un domaine de force clé. La multimodalité du modèle le positionne également bien pour les tâches qui combinent des données visuelles et textuelles, bien qu'aucun score de référence distinct pour les tâches visuelles ne soit fourni ici. Sur la base de l'architecture, on peut s'attendre à ce que le modèle fonctionne bien sur les tâches qui bénéficient du grand nombre de paramètres mais ne nécessitent pas l'activation complète de tous les paramètres. La conception MoE peut entraîner une légère baisse de cohérence par rapport aux modèles denses sur certaines tâches étroites, mais elle offre un compromis favorable entre capacité et coût.
Bien que le score τ²-Bench soit élevé, il s'agit d'un seul benchmark ; les performances sur d'autres benchmarks (par exemple MMLU, MATH, concours de programmation) ne sont pas fournies. Les modèles denses équivalents (par exemple un modèle dense complet de 35B) peuvent surpasser sur des tâches nécessitant l'engagement simultané de tous les paramètres, comme certains raisonnements mathématiques ou des tâches multilingues. De plus, l'entrée multimodale est prise en charge, mais la qualité de la compréhension vidéo peut dépendre de l'échantillonnage d'images et de la compression. La latence n'est pas évaluée publiquement. Les utilisateurs ne doivent pas supposer que ce modèle est le meilleur choix pour tous les scénarios ; évaluez-le toujours par rapport à votre cas d'usage spécifique et envisagez d'exécuter vos propres benchmarks.
La tarification se fait par jeton, facturée séparément pour l'entrée et la sortie. Le coût est de 0,25 $ par million de jetons d'entrée et de 1,48 $ par million de jetons de sortie. Ce sont les tarifs du fournisseur, et OrcaRouter n'applique aucune marge. Les jetons d'entrée incluent tous les jetons de la requête, y compris le texte, la tokenisation des images et la tokenisation des vidéos. Les jetons de sortie sont tous les jetons générés dans la réponse. Il n'y a pas de frais supplémentaires pour l'utilisation de l'API, ni d'abonnement mensuel, ni d'exigence d'utilisation minimale. La facturation est gérée par OrcaRouter en fonction de l'utilisation des jetons. Comme seuls 3B paramètres sont actifs par jeton, le coût de calcul pour le fournisseur est inférieur à celui d'un modèle dense de 35B, et cette économie est répercutée dans la tarification.
Le prix d'entrée ($0.25/1M tokens) est relativement bas, tandis que le prix de sortie ($1.48/1M) est plus élevé, reflétant le coût de génération. Si votre application génère un grand nombre de tokens (par exemple, des résumés longs, de la génération de code), le coût de sortie dominera. Dans ce cas, envisagez de réduire la longueur de sortie via des instructions ou d'utiliser un modèle moins cher pour la génération si la qualité le permet. Inversement, si vous avez des prompts très longs mais des sorties courtes, le coût d'entrée est avantageux. L'architecture MoE signifie que le coût d'inférence par token est inférieur à celui d'un modèle dense avec des paramètres totaux similaires, mais le prix ici est fixé au tarif du fournisseur ; vous payez pour l'efficacité.
OrcaRouter ne divulgue pas publiquement si la mise en cache des invites est disponible pour ce modèle. Si la mise en cache était implémentée, elle pourrait réduire les coûts en évitant de réencoder des préfixes d'invite identiques. Cependant, aucune fonctionnalité de ce type n'est mentionnée spécifiquement pour ce modèle. Les utilisateurs doivent supposer que chaque requête est facturée au tarif standard par jeton. Pour les invites répétitives, envisagez de regrouper les requêtes ou d'utiliser des préfixes plus courts afin de minimiser l'utilisation des jetons d'entrée. Vous pouvez également surveiller le nombre de jetons via le champ usage de la réponse API pour optimiser les coûts. Pour une utilisation à l'échelle de l'entreprise, contactez OrcaRouter pour discuter d'éventuels arrangements personnalisés ou d'un support de mise en cache.
Zero markup signifie qu'OrcaRouter vous facture exactement le même prix par jeton que celui fixé par le fournisseur du modèle (Qwen). Aucun frais de plateforme supplémentaire, aucuns frais généraux ni marge bénéficiaire ne sont ajoutés. Les tarifs de $0.25/1M en entrée et $1.48/1M en sortie sont ceux du fournisseur. Il s'agit de transparence tarifaire ; vous ne payez que le coût d'inférence sous-jacent. OrcaRouter gère toujours l'infrastructure API, le routage et la facturation, mais ne facture pas de supplément pour ce service. Cela peut rendre Qwen3.6 35B A3B plus économique par rapport à d'autres plateformes qui pourraient ajouter une majoration. Cependant, vous devrez peut-être comparer les coûts totaux en incluant les éventuels rabais de volume ou crédits proposés séparément par OrcaRouter.
Utilisez le point de terminaison de complétions de chat compatible OpenAI à l'adresse https://api.orcarouter.ai/v1. Définissez le paramètre model sur "qwen/qwen3.6-35b-a3b". Construisez les messages comme vous le feriez avec l'API d'OpenAI, en incluant un message système si souhaité, et des messages utilisateur. Pour une entrée multimodale, incluez un tableau de parties de contenu avec les types "text" et "image_url" (ou "video_url"). Exemple (pseudocode): 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"}}]}]}'. La réponse suit le format d'OpenAI avec choices, usage, etc.
Les paramètres standard d'OpenAI sont pris en charge : temperature (0 à 2, valeur par défaut 1), top_p (0 à 1, valeur par défaut 1), max_tokens (jusqu'à 65536), séquences d'arrêt, frequency_penalty, presence_penalty et stream. Pour les requêtes multimodales, vous pouvez passer des images sous forme d'URL de données en base64 ou d'URL publiques. Les entrées vidéo peuvent nécessiter un encodage spécifique—consultez la documentation d'OrcaRouter. Des paramètres supplémentaires comme seed pour la reproductibilité peuvent être pris en charge, mais sans garantie. Le modèle ne prend pas en charge nativement function calling ou les outils ; vous pouvez cependant simuler des appels d'outils en instruisant le modèle dans le prompt système. Pour les appels d'outils parallèles, vous devez gérer la boucle en externe. Le streaming est recommandé pour les applications en temps réel afin de réduire la latence perçue.
Si vous êtes habitué(e) à une API compatible OpenAI, la migration nécessite de modifier uniquement l'URL de base et l'ID du modèle. Remplacez votre endpoint existant par https://api.orcarouter.ai/v1 et définissez le modèle sur "qwen/qwen3.6-35b-a3b". L'authentification utilise une clé API fournie par OrcaRouter (définie dans l'en-tête Authorization en tant que Bearer). Les limites de débit et la facturation sont gérées par OrcaRouter. Pour la migration multimodale, assurez-vous que le formatage de vos images/vidéos correspond au schéma attendu (compatible OpenAI). Le format de réponse est identique à celui des chat completions d'OpenAI, donc votre code d'analyse existant devrait fonctionner avec des modifications minimes. Testez avec une seule requête pour confirmer que le comptage de tokens et la latence sont acceptables.
Oui, le modèle prend en charge le streaming via le protocole d'événements envoyés par le serveur (SSE) compatible avec OpenAI. Définissez "stream": true dans votre requête. Le flux émettra des jetons delta au fur et à mesure de leur génération, exactement comme avec le streaming d'OpenAI, y compris finish_reason et les informations d'utilisation dans l'événement final. Le streaming est utile pour les applications interactives où vous souhaitez afficher la sortie de manière incrémentielle. Notez que le streaming ne réduit pas le coût total des jetons ; vous êtes facturé pour la sortie complète. L'architecture MoE peut produire des jetons à un rythme constant, mais le débit réel dépend de la charge du réseau et du serveur. Testez votre intégration pour garantir une gestion correcte des événements de flux.
Comparé à Mixtral 8x7B (un modèle MoE populaire avec 47B au total, 12.9B actifs), Qwen3.6 35B A3B a moins de paramètres totaux mais aussi moins de paramètres actifs (3B contre 12.9B). Ceci le rend potentiellement plus rentable par jeton. La fenêtre de contexte de 262K tokens est significativement plus grande que celle par défaut de Mixtral (32K) (bien que Mixtral puisse être étendu). Qwen3.6 A3B supporte également l'entrée d'images et de vidéos, ce que Mixtral ne fait pas nativement. Sur les benchmarks, Mixtral obtient environ 65-70 sur τ²-Bench ? Non fourni ; mais le score de 95.3 de Qwen est très élevé pour ce benchmark spécifique. Pour les tâches de texte pur avec un contexte court, Mixtral peut se comporter de manière comparable ou meilleure dans certaines tâches de raisonnement grâce à davantage de paramètres actifs. Pour les tâches de long contexte et multimodales, Qwen3.6 A3B a un avantage clair.
Un modèle dense de 35B paramètres nécessiterait environ 12 fois plus de calcul par jeton que les 3B paramètres actifs dans ce modèle MoE. Qwen3.6 A3B offre donc un avantage de vitesse et de coût lors de l'inférence, au prix potentiel d'une certaine cohérence, car le routage des experts peut ne pas toujours activer les experts les plus pertinents pour chaque entrée. Les modèles denses atteignent souvent une qualité plus prévisible sur diverses tâches. Cependant, le score τ²-Bench suggère que ce modèle MoE peut rivaliser avec les modèles denses sur le raisonnement en contexte long. Si vous avez une charge de travail de production à volume élevé où la latence et le coût sont critiques, l'approche MoE est bénéfique. Pour la recherche nécessitant un comportement déterministe, un modèle dense pourrait être préférable.
Choisissez Qwen3.6 35B A3B lorsque votre application nécessite : (1) le traitement de très longs documents (jusqu'à 262K tokens) en une seule passe, (2) une compréhension multimodale incluant les images et la vidéo, (3) de bonnes performances sur des tâches impliquant la récupération et le raisonnement sur de grands contextes (tel que mesuré par τ²-Bench), et (4) une efficacité de coût grâce à une architecture MoE à faible nombre de paramètres actifs. Si vos tâches sont de forme courte, uniquement textuelles et ne nécessitent pas de long contexte, un modèle moins cher comme un modèle dense 7B peut suffire. Pour les tâches nécessitant la plus haute qualité possible sur des benchmarks étroits (par exemple, des problèmes de compétition de mathématiques), un modèle dense plus grand (par exemple, 70B) pourrait être plus performant.
Les alternatives incluent les modèles denses Qwen2.5 32B ou 72B si vous avez besoin d'une qualité plus constante sur toutes les tâches. Pour le multimodal, GPT-4o ou Claude 3.5 Sonnet offrent une compréhension visuelle plus large mais à un coût plus élevé. Pour un très haut débit, un modèle MoE plus petit comme Qwen2.5 14B A2B pourrait être moins cher. Si vous avez besoin de fonction calling ou d'utilisation d'outils avec des sorties structurées, envisagez des modèles avec un support natif du function calling (par ex., GPT-4 ou Claude). Le choix dépend en fin de compte de votre combinaison spécifique de longueur de contexte, de modalité, de tolérance à la latence et de budget. Effectuez toujours votre propre évaluation à l'aide d'exemples représentatifs.
Compatible OpenAI — gardez votre SDK actuel
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| Entrée / 1M tokens | $0.248 |
| Sortie / 1M tokens | $1.485 |
| Devise | USD |
Estimation basée sur le tarif public
Estimation seulement — le nombre réel de tokens dépend du tokeniseur du fournisseur.
GET /api/public/models/qwen/qwen3.6-35b-a3bOuvrir @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