Qwen3.6 Plus — chat multimodal phare (texte/image/vidéo), contexte de 1M, Vibe Coding + function calling.
Qwen3.6 Plus fait partie de la famille Qwen de grands modèles de langage, développée par l'équipe Qwen d'Alibaba. Il est conçu pour gérer de longues séquences de contexte et des entrées multimodales,…
Qwen3.6 Plus excelle dans les tâches nécessitant l'intégration d'informations provenant de longs passages textuels et de données visuelles. Les exemples incluent le résumé de longs articles de recherche, l'extraction de données structurées à partir de documents scannés, la génération de légendes pour des clips vidéo et la réponse à des questions sur des diagrammes. Il est également performant sur des benchmarks de raisonnement multi-étapes comme τ²-Bench, ce qui indique de solides capacités d'utilisation d'outils et de planification. Le modèle peut suivre des instructions complexes et produire du code ou des déductions logiques. Pour les tâches simples de classification ou de génération de textes courts, des modèles plus petits comme Qwen2-7B peuvent être plus rentables et plus rapides.
Si votre application implique uniquement des instructions courtes (par exemple, quelques centaines de tokens) et n'exige pas d'entrées multimodales, des modèles plus petits de la série Qwen ou d'autres LLMs légers peuvent fournir des réponses plus rapides à moindre coût. De même, pour des tâches simples telles que l'analyse des sentiments, l'extraction de mots-clés ou les questions-réponses basiques, un modèle avec moins de paramètres peut suffire. Qwen3.6 Plus est mieux réservé aux scénarios où la grande fenêtre de contexte ou la capacité multimodale est cruciale, comme le traitement de documents entiers ou de contenu vidéo. Les déploiements sensibles aux coûts doivent évaluer la consommation de tokens par rapport au gain de performance incrémental.
Qwen3.6 Plus traite les longs documents en ingérant la totalité du texte dans sa fenêtre contextuelle de 1 million de tokens, évitant ainsi le besoin de segmentation et de réassemblage. Cela permet au modèle de maintenir la cohérence à travers le document et de répondre à des questions qui se réfèrent à la fois aux sections du début et de la fin. Par exemple, un utilisateur peut fournir un livre de 500 pages et demander un résumé de l'évolution d'un personnage à travers les chapitres. Le modèle utilise des mécanismes d'attention optimisés pour les longues séquences, bien que des entrées très longues puissent augmenter le temps de traitement. L'API d'OrcaRouter prend en charge les réponses en streaming, permettant aux utilisateurs de commencer à recevoir la sortie avant que l'intégralité de l'entrée ne soit traitée.
Qwen3.6 Plus peut accepter des images et des vidéos en plus du texte. Pour les images, il peut décrire le contenu, lire le texte à partir de photos et raisonner sur les relations spatiales. Pour les vidéos, il extrait des images périodiquement et les traite comme une séquence d'images, permettant des tâches telles que la reconnaissance d'actions, le résumé vidéo et le raisonnement temporel. Le modèle ne prend pas en charge nativement l'audio ; les pistes audio doivent être transcrites en texte avant d'être incluses. Il n'y a pas de limite explicite sur le nombre d'images ou d'images vidéo, tant que le nombre total de tokens reste dans la fenêtre de contexte. Cela permet des applications multimodales riches comme le question-réponse visuelle sur de longues séquences vidéo.
Qwen3.6 Plus a obtenu un score de 97,7 sur τ²-Bench, un benchmark qui évalue le raisonnement dans l'utilisation d'outils et la résolution de problèmes en plusieurs étapes. Le benchmark teste la capacité d'un modèle à sélectionner les outils appropriés (par exemple, API, calculateurs) et à exécuter des séquences d'actions pour accomplir des tâches réalistes. Ce score élevé indique une compétence solide dans la prise de décision dynamique et l'appel de fonctions. Cependant, τ²-Bench ne couvre pas tous les aspects de l'intelligence, tels que les connaissances factuelles ou l'écriture créative. Les utilisateurs devraient interpréter ce benchmark comme un point de données reflétant le raisonnement du modèle dans des scénarios structurés d'utilisation d'outils.
La latence de Qwen3.6 Plus dépend de la longueur de l'entrée, de la longueur de la sortie et de la charge de travail sur l'infrastructure d'OrcaRouter. Pour des invites courtes (~1 000 tokens) et des sorties modérées (~1 000 tokens), les temps de réponse typiques sont comparables à ceux d'autres grands modèles de langage avec des nombres de paramètres similaires. Des contextes plus longs (par exemple, 500k tokens) augmentent le temps jusqu'au premier token en raison de la nécessité de traiter l'entrée complète. OrcaRouter fournit des outils de surveillance pour mesurer la latence. Aucune donnée de latence spécifique n'est disponible à partir des données fournies, mais les utilisateurs peuvent s'attendre à un débit cohérent avec les modèles optimisés pour l'inférence à long contexte.
Le score de 97,7 au τ²-Bench met en évidence la compétence de Qwen3.6 Plus en raisonnement basé sur les outils, en planification et en exécution de tâches multi-étapes. Cette force se traduit par des avantages pratiques dans des applications comme les workflows agents, le traitement automatisé des données, et la résolution de problèmes complexes nécessitant l'orchestration d'outils externes. De plus, la grande fenêtre de contexte du modèle lui permet de retenir des informations sur des entrées longues, ce qui n'est pas directement capturé par τ²-Bench mais ressort de sa conception. Aucun autre score de benchmark n'est fourni, donc ces conclusions sont tirées uniquement du résultat τ²-Bench.
Bien que Qwen3.6 Plus affiche de solides performances en matière de raisonnement lié à l'utilisation d'outils, ses performances sur d'autres dimensions (par exemple, le rappel factuel, l'écriture créative, la compréhension multilingue) ne sont pas quantifiées dans les données fournies. Comme tous les grands modèles de langage, il peut produire des informations incorrectes ou hallucinées, en particulier lorsqu'il est confronté à des requêtes ambiguës ou à des prémisses erronées. La capacité multimodale du modèle se limite au texte, aux images et aux vidéos ; il ne traite pas directement l'audio ou d'autres modalités. De plus, la grande fenêtre de contexte peut entraîner une latence plus élevée et des coûts de tokens plus importants, ce qui la rend moins adaptée aux applications temps réel avec des contraintes de latence strictes.
Le prix de Qwen3.6 Plus via OrcaRouter est déterminé par l'utilisation de tokens. OrcaRouter facture séparément les tokens d'entrée (incluant les tokens de texte, d'image et de trames vidéo) et les tokens de sortie générés par le modèle. Les tarifs exacts par token ne sont pas inclus dans cet ensemble de données ; les utilisateurs doivent consulter la page de tarification officielle d'OrcaRouter ou contacter le support pour obtenir les tarifs actuels. Aucun niveau gratuit n'est mentionné, mais OrcaRouter peut proposer des crédits d'essai. La tarification est transparente et basée sur la consommation, sans frais d'abonnement mensuel.
OrcaRouter peut offrir des mécanismes de mise en cache pour réduire les coûts des entrées répétées, telles que les instructions système ou les directives fréquemment utilisées. Lorsque la mise en cache est activée, les jetons d'entrée correspondant au contenu mis en cache peuvent être facturés à un taux réduit. Cependant, les détails de mise en cache (par exemple, durée, éligibilité) ne sont pas spécifiés dans les faits fournis. Les utilisateurs doivent consulter la documentation d'OrcaRouter pour les politiques de mise en cache. En tant que bonne pratique, concevoir des invites qui réutilisent du contenu statique peut aider à minimiser la consommation de jetons et à réduire les coûts globaux.
Au sein de la famille de modèles Qwen, les prix évoluent généralement en fonction de la taille et des capacités du modèle. Qwen3.6 Plus, étant un grand modèle multimodal avec une fenêtre de contexte de 1 million de tokens, est probablement facturé plus cher que les variantes Qwen plus petites (par exemple, Qwen2-7B ou Qwen2-72B). Les différences de prix exactes dépendent des tarifs par token d'OrcaRouter pour chaque modèle. Les utilisateurs devraient évaluer le coût supplémentaire par rapport aux avantages d'un contexte plus large et d'une entrée multimodale pour déterminer si Qwen3.6 Plus offre un bon rapport coût-performance pour leur cas d'utilisation spécifique.
Pour appeler Qwen3.6 Plus, utilisez le point de terminaison de l'API OrcaRouter à l'URL de base https://api.orcarouter.ai/v1. Définissez le paramètre model sur "qwen/qwen3.6-plus". L'API suit la structure de complétion de chat d'OpenAI, donc les requêtes incluent une liste de messages (rôles : système, utilisateur, assistant) et des paramètres optionnels tels que temperature, max_tokens et stream. Les entrées multimodales sont transmises via le champ content à l'aide d'un tableau d'objets spécifiant le type (text, image_url ou video_url) et data. Un exemple de requête en Python utilise la bibliothèque openai avec une URL de base personnalisée.
L'API d'OrcaRouter pour Qwen3.6 Plus prend en charge les paramètres standard d'OpenAI : temperature (par défaut 1.0, plage 0-2), max_tokens (jusqu'à 65 536), top_p, frequency_penalty, presence_penalty, stop sequences et stream (booléen pour les réponses en streaming). Pour les entrées multimodales, le champ content accepte un tableau dont chaque élément possède un type (text, image_url ou video_url) et les données correspondantes. Pour les images, utilisez "image_url" avec une URL ou des données en base64. Pour les vidéos, utilisez "video_url" avec une URL pointant vers le fichier vidéo. Les limites de tokens s'appliquent à toutes les modalités.
Oui, car OrcaRouter fournit une API compatible OpenAI, migrer depuis n'importe quelle plateforme utilisant le format de complétion de chat OpenAI est simple. Vous modifiez l'URL de base pour https://api.orcarouter.ai/v1 et mettez à jour le nom du modèle en "qwen/qwen3.6-plus". L'authentification nécessite une clé API OrcaRouter, qui remplace la clé de votre fournisseur précédent. La même bibliothèque cliente (par exemple, le package Python openai) peut être réutilisée avec des modifications minimes du code. Assurez-vous que vos invites et définitions d'outils restent dans les limites de contexte et de sortie du modèle.
L'URL de base de l'API d'OrcaRouter est https://api.orcarouter.ai/v1. L'ID du modèle pour Qwen3.6 Plus est "qwen/qwen3.6-plus". Lorsque vous effectuez une requête, incluez l'ID du modèle dans le corps de la requête. Par exemple, dans un script Python utilisant la bibliothèque openai, définissez openai.base_url = "https://api.orcarouter.ai/v1" et openai.api_key = "your-orcarouter-key", puis appelez client.chat.completions.create(model="qwen/qwen3.6-plus", messages=[...]). Cette combinaison vous permet d'accéder à la version spécifique Qwen3.6 Plus.
Qwen3.6 Plus et GPT-4o sont tous deux des modèles de langage multimodaux de grande taille, mais Qwen3.6 Plus offre une fenêtre de contexte bien plus grande (1 million de tokens contre 128k tokens pour GPT-4o). Cela rend Qwen3.6 Plus plus adapté au traitement de livres entiers ou de longues transcriptions vidéo. Cependant, GPT-4o prend en charge davantage de langues et dispose d'un écosystème d'outils plus large. Aucune comparaison de benchmarks en dehors de τ²-Bench n'est fournie, il n'est donc pas possible d'effectuer des comparaisons de performances directes sur d'autres tâches à partir des données données. Les tarifs peuvent varier selon les fournisseurs ; les taux par token d'OrcaRouter pour Qwen3.6 Plus doivent être comparés à ceux d'OpenAI.
Au sein de la famille Qwen, Qwen3.6 Plus est l'un des plus avancés, offrant la plus grande fenêtre de contexte et la prise en charge des entrées multimodales. Les modèles Qwen plus petits (par exemple, Qwen2-7B, Qwen2-72B) ont des fenêtres de contexte plus courtes et sont limités au texte, ce qui les rend plus rapides et moins chers pour les tâches textuelles. Qwen3.6 Plus est susceptible d'être plus performant sur les tâches nécessitant un raisonnement en contexte long ou une compréhension visuelle. Le score τ²-Bench de 97.7 est spécifique à ce modèle ; les autres modèles Qwen n'ont pas été rapportés avec ce score dans les données fournies. Les utilisateurs doivent choisir en fonction de leurs besoins en capacités multimodales et de contexte long par rapport au budget.
Claude 3.5 Sonnet d'Anthropic prend en charge une fenêtre de contexte de 200k tokens et traite le texte et les images (mais pas encore la vidéo directement). Qwen3.6 Plus offre une fenêtre de contexte plus grande (1M tokens) et l'entrée vidéo, ce qui peut être avantageux pour les tâches d'analyse vidéo. Les deux modèles sont accessibles via API, mais Qwen3.6 Plus est accessible via OrcaRouter, tandis que Claude est généralement accessible via l'API d'Anthropic ou un fournisseur tiers. Aucune comparaison directe de benchmarks n'est fournie ; le score τ²-Bench de 97,7 pour Qwen3.6 Plus n'est pas rapporté pour Claude. Les utilisateurs doivent évaluer en fonction de leurs exigences spécifiques en matière de tâches et de tarification.
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-plus",
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| Palier | Entrée / 1M tokens | Sortie / 1M tokens |
|---|---|---|
| ≤ 256K | $0.276 | $1.651 |
| ≤ 1.0M | $1.101 | $6.602 |
| Palier sélectionné selon le nombre de tokens d'entrée de chaque requête | ||
Estimation basée sur le tarif public
Tarification par paliers — cette estimation utilise les tarifs du palier de base.
Estimation seulement — le nombre réel de tokens dépend du tokeniseur du fournisseur.
GET /api/public/models/qwen/qwen3.6-plusOuvrir @misc{orcarouter_qwen3_6_plus,
title = {Qwen3.6 Plus API},
author = {Qwen},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/qwen/qwen3.6-plus}
}Qwen. (2026). Qwen3.6 Plus API. OrcaRouter. https://www.orcarouter.ai/models/qwen/qwen3.6-plus