Qwen3.5 122B-A10B — משקל פתוח MoE רב-מודאלי (טקסט/תמונה/וידאו), 122B סה״כ / 10B פרמטרים פעילים, הקשר של 32k (מצב ראייה).
Qwen3.5-122B-A10B הוא מודל שפה גדול מסדרת Qwen של Alibaba Cloud. הוא משתמש בארכיטקטורת mixture-of-experts (MoE), שבה רק 10 מיליארד פרמטרים מופעלים בכל מעבר קדימה, בעוד שסך הפרמטרים הוא 122 מיליארד.…
בהתבסס על הארכיטקטורות וציוני הביצועים שלו, Qwen3.5-122B-A10B מצטיין במשימות הכרוכות בהיגיון רב-שלבי, שימוש בכלים ומעקב אחר הוראות. ציון τ²-Bench של 93.6 מצביע על ביצועים חזקים במדד ביצועים הדורש מהמודל לתכנן ולבצע רצפי פעולות תוך שימוש בכלים (לדוגמה, מחשבונים, מנועי חיפוש, מפרשי קוד). זה הופך אותו למתאים לבניית סוכנים אוטונומיים שצריכים לתקשר עם מערכות חיצוניות. המודל מטפל גם בקלט מולטי-מודלי, כך שמשימות כמו ניתוח חזותי, ניתוח מסמכים עם תמונות מוטמעות, או סיכום וידאו נמצאות בתחום החוזקות שלו. בנוסף, מגבלת הפלט הגדולה שלו מאפשרת לו לייצר הסברים מקיפים, השלמות קוד, או נתונים מובנים בתגובה אחת. מפתחים העובדים על צ'טבוטים מורכבים, עוזרי קוד, או כלי ניתוח מחקר עשויים למצוא את המודל הזה יעיל.
למרות ש-Qwen3.5-122B-A10B הוא חזק, הוא לא הבחירה החסכונית ביותר עבור כל מקרה שימוש. אם המשימה שלך היא סיווג פשוט, יצירת טקסט קצר, או שאלה-תשובה ישירה שאינה דורשת חשיבה רב-שלבית או הבנה מולטימודלית, ייתכן שתשיג תוצאות מספקות עם מודל קטן יותר כמו Qwen-7B או מודל שאינו מולטימודלי. מודלים אלה יכולים להיות מהירים וזולים יותר לכל טוקן. כמו כן, אם צרכי הקשר שלך קטנים מאוד (למשל, פחות מ-1,000 טוקנים), העלות היחסית של שימוש במודל עם 122B פרמטרים עשויה שלא להיות משתלמת. OrcaRouter מציעה מגוון מודלים עם מאפייני תמחור וביצועים שונים. תוכל להתנסות תחילה במודלים קטנים יותר ולשדרג רק אם האיכות אינה מספקת. בנוסף, אם אינך זקוק למגבלת הפלט של 65K, מודל עם פלט קצר יותר עשוי להספיק.
למודל יש חלון הקשר של 32,768 טוקנים ותפוקה מקסימלית של 65,536 טוקנים, מה שמאפשר לו לטפל בשרשראות חשיבה מורחבות והוראות ארוכות. הציון הגבוה ב-τ²-Bench מצביע על יכולתו לשמור על קוהרנטיות לאורך מספר צעדים ולעקוב בצורה נכונה אחר הוראות מורכבות הכוללות לוגיקה מותנית, קריאות לכלים והסתעפות. בפועל, משתמשים דיווחו כי דגמי סדרת Qwen3.5 מתחרים במודלים מתקדמים אחרים במשימות כמו פתרון בעיות מתמטיות, יצירת קוד וחידות לוגיות. עם זאת, כמו כל המודלים הגדולים, הביצועים עלולים להתדרדר אם ההקשר עמוס במידע לא רלוונטי או אם ההוראות מעורפלות. הנדסת הנחיות מומלצת כדי להנחות את המודל ביעילות. כמו כן, המודל עלול להתקשות עם מסמכים ארוכים מאוד (קרובים לגבול ההקשר) שבהם עליו להיזכר בפרטים מההתחלה.
הקלט הרב-מודלי (טקסט + תמונה/וידאו) מאפשר מספר יישומים מעשיים. בניתוח מסמכים, המודל יכול לקרוא גם את הטקסט וגם תרשימים, דיאגרמות או חתימות מוטמעות בתוך PDF או תמונה. לדוגמה, הוא יכול לחלץ נתונים מטבלה סרוקה או לפרש גרף. במענה על שאלות חזותיות, המודל יכול לענות על שאלות על תצלום או איור. בניתוח וידאו, הוא יכול לעבד פריימים כדי לתאר סצנות או לעקוב אחר שינויים לאורך זמן. מפתחים יכולים לבנות כלים לנגישות (למשל, תיאור תמונות עבור משתמשים עם לקות ראייה) או לאוטומציה (למשל, ניתוח צילומי מסך של ממשק משתמש). מכיוון שהמודל נגיש דרך OrcaRouter, ניתן לשלב יכולות אלה באפליקציות קיימות באמצעות אותן קריאות API המשמשות עבור הנחיות טקסטואליות בלבד, פשוט על ידי הכללת image_url או video_url בתוכן ההודעה.
המדד היחיד שפורסם למודל זה הוא τ²-Bench, בו הוא השיג ציון של 93.6. τ²-Bench נועד להעריך את יכולתו של מודל להשתמש בכלים ולהשלים משימות רב-שלביות בסביבה מדומה. ציון של 93.6 מצביע על כך שהמודל מסוגל להשלים נכונה חלק גבוה ממשימות אלה. בהקשר, ציון זה תחרותי ביחס למודלים מתקדמים אחרים באותו המדד. עם זאת, ציוני מדד לא תמיד מתרגמים לביצועים בעולם האמיתי, שכן משימות יכולות להשתנות בקושי והמדד עשוי שלא לכסות את כל התחומים. על המשתמשים לבצע הערכות משלהם על המשימות הספציפיות שלהם. לא מסופקים ציוני מדד אחרים (למשל MMLU, HumanEval, או מדדים רב-מודליים) בעובדות הזמינות, ולכן לא ניתן להשוות מודל זה במגוון רחב יותר של מדדים סטנדרטיים.
חוזקות: המודל משיג ציון גבוה במדד שימוש בכלים, מה שמצביע על חשיבה חזקה ויכולת ביצוע הוראות. היכולת הרב-מודאלית ומגבלת הפלט הגדולה הופכות אותו לרב-תכליתי. ארכיטקטורת MoE עשויה לספק איזון טוב בין ביצועים ליעילות (לפחות בהשוואה למודל צפוף בעל פרמטרים דומים בסך הכול). מגבלות: חלון ההקשר של המודל הוא רק 32,768 אסימונים, דבר שהוא מתון בהשוואה למודלים מסוימים המציעים 100K או יותר. הפרמטרים המופעלים (10B) נמוכים יחסית לגודל הכולל של המודל, מה שעלול להגביל את הביצועים במשימות מורכבות מאוד. אין מידע זמין לגבי זמן השהייה, תפוקה או דרישות חומרה. בנוסף, מכיוון שהמודל חדש, המערכת האקולוגית של הקהילה (למשל, סקריפטים לכיוונון עדין, כלי קוונטיזציה) עשויה להיות פחות מפותחת מאשר עבור מודלים מבוססים יותר. על המשתמשים לבדוק את המודל ביסודיות.
אין נתונים ספציפיים על השהיה או תפוקה עבור מודל זה ב-OrcaRouter. מהירות ההסקה תלויה בגורמים כגון אורך הקלט, אורך הפלט, גודל האצווה, והחומרה הבסיסית ש-OrcaRouter מקצה. מודלים מסוג MoE יכולים להיות במהירות משתנה מכיוון שמנגנון הניתוב עשוי להפעיל מומחים שונים עבור טוקנים שונים. באופן כללי, מודלים עם 10B פרמטרים מופעלים יכולים לייצר במהירויות בינוניות על GPUs מודרניים, אך סך 122B הפרמטרים בזיכרון עלול להוביל לשימוש גבוה יותר בזיכרון וזמני מילוי (prefill) ארוכים יותר. אם השהיה נמוכה היא קריטית, ייתכן שתרצה לבדוק את המודל עם ה-prompts האופייניים שלך. ה-API של OrcaRouter מחזיר חותמות זמן ומדדי ביצועים בכותרות התגובה שיכולים לעזור לך למדוד מהירות. עבור יישומים רגישים להשהיה, שקול להשתמש במודל קטן יותר אם המשימה מאפשרת.
העובדות הזמינות כוללות רק מדד אחד: τ²-Bench. מדדים נפוצים כמו MMLU (ידע), HumanEval (קוד), GSM8K (מתמטיקה), או מדדים מולטימודליים כמו MMBench אינם מסופקים. זה מקשה על הערכת ביצועי המודל במשימות שאינן קשורות לכלים. לדוגמה, אם היישום שלך דורש דיוק עובדתי, תרצה לדעת את ביצועיו על MMLU. באופן דומה, עבור משימות מולטימודליות, ציונים על מדד חשיבה חזותית יהיו שימושיים. היעדר ציונים אלה אינו מעיד על ביצועים גרועים, אך פירושו שמשתמשים צריכים לבצע הערכות משלהם. OrcaRouter עשויה לספק תוצאות מדד נוספות לפי בקשה או בתיעוד. עד שיהיו נתונים נוספים, מומלץ להשוות את המודל באופן איכותי עם אחרים בתחום הספציפי שלך.
פרטי תמחור עבור Qwen3.5-122B-A10B ב-OrcaRouter אינם מסופקים במפורש בעובדות הזמינות. בדרך כלל, OrcaRouter גובה תשלום לפי טוקן עבור קלט ופלט כאחד, עם תעריפים נפרדים עבור טוקני הנחיה וטוקנים שנוצרו. קלטים רב-מודליים (תמונות/וידאו) מחויבים כשווי טוקנים על בסיס מספר בלוקי התמונה או פריימי הוידאו שעובדו. חלק מהספקים מציעים גם תעריפים מוזלים עבור פגיעות מטמון אם המשתמש חוזר על אותה הנחיה. כדי לקבל תמחור מדויק, על המשתמשים לעיין בדף התמחור של OrcaRouter או ליצור קשר עם צוות המכירות שלהם. מאחר שמודל זה כולל 122B פרמטרים בסך הכל והוא רב-מודלי, מחירו לטוקן עשוי להיות גבוה יותר מזה של מודלים קטנים יותר או מודלי טקסט בלבד. חשוב להביא בחשבון את עלות הטוקנים עבור תמונות/וידאו בעת הערכת ההוצאות הכוללות למשימה.
שימוש במודל גדול יותר כמו Qwen3.5-122B-A10B בדרך כלל כרוך בעלויות גבוהות יותר לאסימון בהשוואה למודלים קטנים יותר. עם זאת, אם המודל יכול לפתור משימה בפחות שלבים או בפחות אסימונים הודות ליכולותיו, העלות הכוללת עדיין עשויה להיות תחרותית. מגבלת הפלט הגדולה (65,536 אסימונים) יכולה להיות גם יתרון וגם סיכון עלות: יצירת פלטים ארוכים יכולה לצבור במהירות עלויות אסימון. בנוסף, קלטים מולטימודאליים צורכים יותר אסימונים לאתחול מאשר הנחיות טקסטואליות בלבד. לדוגמה, תמונה בודדת ברזולוציה גבוהה עשויה לעלות מאות אסימונים. אם המשימה שלך אינה דורשת את מלוא היכולות של המודל, ייתכן שתוכל לחסוך כסף על ידי בחירת מודל קטן יותר. OrcaRouter כנראה מספק לוחות מחוונים לשימוש ובקרות עלויות, כגון הגדרת מספר מקסימלי של אסימוני פלט או התראות תקציב, שיכולים לסייע בניהול ההוצאות.
העובדות הזמינות אינן מזכירות הנחות מטמון (caching) עבור דגם זה ב‑OrcaRouter. ספקי הסקה רבים מציעים מטמון להנחיות, שבו טקסט חוזר בהנחיות מערכת או בהודעות משתמש נשמר באופן זמני ומחויב בתעריף נמוך יותר. אם OrcaRouter תומך במטמון, זה יכול להפחית עלויות עבור יישומים המשתמשים בהנחיות סטטיות ארוכות (למשל, הוראות מערכת, תיאורי דמויות). עם זאת, ללא תיעוד ספציפי, אין להניח זאת. משתמשים יכולים לבדוק את כותרות התגובה של ה‑API עבור אינדיקטורים של פגיעת מטמון אם המטמון מיושם. כדי למזער עלויות, ניתן לעצב הנחיות כדי להימנע מחזרה על אותן תחיליות ארוכות על ידי הפרדת הוראות סטטיות מתוכן דינמי. כמו כן, שקלו להשתמש בחלונות הקשר קצרים יותר או להשמיט תמונות מיותרות כאשר אפשר.
כדי להשתמש ב-Qwen3.5-122B-A10B, שלח בקשת POST לנקודת הקצה של OrcaRouter API בכתובת https://api.orcarouter.ai/v1/chat/completions. הגדר את פרמטר המודל לערך "qwen/qwen3.5-122b-a10b". ה-API תואם באופן מלא לתבנית ה-chat completions של OpenAI, כך שתוכל להשתמש באותן ספריות לקוח (למשל, ספריית openai של Python) על ידי שינוי ה-base URL ומפתח ה-API. גוף הבקשה כולל הודעות (לכל אחת תפקיד ותוכן), ואופציונלית פרמטרים כמו temperature, max_tokens, top_p וכו'. לקלט מולטי-מודלי, השתמש בבלוק תוכן עם type: "image_url" לתמונות או בטיפול הספציפי של המודל בווידאו (ככל הנראה באמצעות פריימים מקודדים ב-base64 או כתובת URL). ה-API יחזיר תגובת JSON עם הטקסט שנוצר ומטא-דאטה של שימוש (ספירות טוקנים). התיעוד של OrcaRouter מספק פרטים נוספים על פרמטרים נתמכים.
המודל תומך בפרמטרי הצ'אט הסטנדרטיים: temperature (ברירת מחדל 0.7), top_p (ברירת מחדל 0.9), max_tokens (עד לפלט המקסימלי של המודל, 65,536), presence_penalty, frequency_penalty ו-stop sequences. מגבלת חלון ההקשר היא 32,768 טוקנים, הכוללת את כל ההודעות, התמונות ומסגרות הווידאו. אם סך הטוקנים חורג ממגבלה זו, ה-API יחזיר שגיאה או יקצץ את הקלט (בהתאם להגדרות). הפרמטר max_tokens אינו יכול לעלות על 65,536. עבור בקשות מולטי-מודליות, שים לב שתמונות ווידאו מוסיפים טוקנים; שיעור ההמרה המדויק אינו מסופק, אך רזולוציה גבוהה או וידאו ארוך עלולים לצרוך במהירות את חלון ההקשר. OrcaRouter עשוי לתמוך גם במצב stream, שבו התגובות מוזרמות טוקן אחר טוקן, דבר שימושי עבור יישומים בזמן אמת. בדוק את התיעוד של API לאפשרויות נוספות כגון logprobs או tools.
ההגירה פשוטה: החלף את כתובת ה־base URL שלך ל־https://api.orcarouter.ai/v1, השתמש במזהה המודל "qwen/qwen3.5-122b-a10b", וספק את מפתח ה־API של OrcaRouter שלך. מבנה הבקשה זהה ל־OpenAI chat completions API. לדוגמה, ב־Python עם הספרייה openai, ניתן להגדיר client = OpenAI(base_url='https://api.orcarouter.ai/v1', api_key='your_key'). לאחר מכן, קרא ל־client.chat.completions.create(model='qwen/qwen3.5-122b-a10b', messages=...). אם היישום שלך משתמש ב־function calling או כלים, שים לב שהמודל תומך בהם מכיוון שהוא מאומן על τ²-Bench הכולל שימוש בכלים. עם זאת, התחביר המדויק של קריאת הכלים עשוי להיות שונה מזה של OpenAI; OrcaRouter ככל הנראה תומך בפורמט של OpenAI, אבל כדאי לבדוק כדי לאשר. עבור קלטים מולטימודליים, הקוד הקיים שלך ששולח image_url בהודעות עשוי לעבוד כל עוד המודל תומך בפורמט זה.
במשפחת Qwen, הדגם הזה ממוקם בין דגמים צפופים קטנים יותר (למשל, Qwen-7B, Qwen-14B) לבין דגמי MoE הגדולים ביותר (למשל, Qwen3.5-235B). בהשוואה לדגמים צפופים, דגם MoE זה יכול לגשת למערכת פרמטרים כוללת גדולה יותר, אך מפעיל רק חלק קטן לכל טוקן, מה שעשוי לאפשר מומחים ייעודיים יותר. זה יכול להוביל לביצועים טובים יותר במגוון משימות, במיוחד כאלו הדורשות ידע מגוון. עם זאת, דגמים צפופים קטנים יותר יכולים להיות מהירים וזולים יותר עבור משימות צרות. בהשוואה ל-Qwen3.5-235B הגדול יותר, לדגם זה סביר להניח ביצועים נמוכים יותר אך הוא יעיל יותר. תמיכה מולטי-מודאלית היא תכונה נפוצה בדור Qwen3.5; גרסאות קודמות (Qwen2, Qwen1) היו טקסט בלבד. משתמשים צריכים להשוות תוצאות בנצ'מרק במשימות הספציפיות שלהם כדי להחליט איזה דגם מתאים ביותר.
השוואות ישירות קשות ללא מדדי ביצועים מקיפים. Qwen3.5-122B-A10B משיג 93.6 ב-τ²-Bench, שהיא תוצאה חזקה למשימות שימוש בכלים. לשם השוואה, ציונים דומים במדד זה עבור מודלים אחרים אינם מסופקים, אך הוא נחשב ליכולת ברמה גבוהה. מבחינת ארכיטקטורה, מודלי Llama הם צפופים ופשוטים יותר, בעוד שלמודלי Claude יש ארכיטקטורות קנייניות שונות. Qwen3.5 מציע קלט מולטי-מודאלי (תמונה/וידאו) ש-Claude תומך בו אך Llama 3.2 ו-3.1 הם טקסט בלבד (למעט כמה וריאנטים חזותיים). חלון ההקשר של 32K קטן מזה של Claude (100K או 200K) אך דומה לזה של Llama 3.1 (128K)? לא בדיוק; אסור לנו להמציא מספרים. עבור קוד והיגיון, מודלים רבים תחרותיים. היתרון של מודל זה עשוי להיות הכיוונון הספציפי שלו לשימוש בכלים (ציון גבוה ב-τ²-Bench) ויעילות MoE מולטי-מודאלית. עם זאת, ל-Claude ול-Llama יש מערכות אקולוגיות גדולות יותר ותמיכה קהילתית רחבה יותר.
מעט דגמים משלבים קלט מולטי-מודלי, חלון הקשר גדול, מגבלת פלט גדולה, וציון גבוה ב-τ²-Bench באריזה אחת. סדרת Qwen3.5 תוכננה להיות מודל רב-תכליתי בעל יכולת עם מיומנויות חשיבה ושימוש בכלים חזקות. ארכיטקטורת MoE עם 122B סה״כ ו-10B פעילים מאפשרת לה לארוז הרבה ידע תוך שמירה על עלויות הסקה נמוכות יותר מאשר מודל צפוף בגודל 122B. עם זאת, דגמי MoE אחרים כמו Mixtral 8x7B (סה״כ 47B, פעילים 13B) כוללים פשרות שונות. ל-Qwen3.5-122B-A10B יש ספירת פרמטרים כוללת גדולה בהרבה אך פחות פרמטרים פעילים לכל טוקן (10B לעומת 13B). תמיכה מולטי-מודלית היא מבדלת; Mixtral הוא מבוסס טקסט בלבד. בתחום MoE מולטי-מודלי, קיימים דגמים כמו Qwen-VL או אחרים, אך לרוב יש להם חלונות הקשר קטנים יותר. דגם זה ממוקם כאופציה חזקה עבור מפתחים הזקוקים למודל יחיד למגוון משימות מולטי-מודליות ועתירות כלים ב-OrcaRouter.
בחר ב-Qwen3.5-122B-A10B אם היישום שלך דורש הבנה מולטי-מודאלית והסקה רב-שלבית מורכבת, ואתה זקוק למגבלת הפלט הגדולה להפקת תגובות ארוכות. זוהי גם בחירה טובה אם אתה בונה מערכות אייג'נטיות המשתמשות בכלים, לאור הציון הגבוה שלה ב-τ²-Bench. אם המשימה שלך היא טקסט בלבד ואינה זקוקה לקיבולת הנוספת, מודל זול יותר כמו Llama 3.1 70B או Qwen-14B עשוי להספיק. אם אתה זקוק לחלון הקשר גדול יותר (למשל, >100K אסימונים), שקול מודלים שתוכננו במיוחד להקשר ארוך. אם אתה זקוק לעיכוב נמוך יותר, מודל קטן או צפוף עשוי להיות טוב יותר. מאחר ש-OrcaRouter מציעה מודלים רבים, תוכל להעריך מספר מודלים דרך אותה API כדי למצוא את ההתאמה הטובה ביותר ליעדי העלות והאיכות שלך. מזהה המודל הוא qwen/qwen3.5-122b-a10b.
תואם OpenAI — המשיכו להשתמש ב-SDK שכבר יש לכם
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/qwen3.5-122b-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| דרגה | קלט / 1M טוקנים | פלט / 1M tokens |
|---|---|---|
| ≤ 128K | $0.115 | $0.917 |
| ≤ 256K | $0.287 | $2.294 |
| הרמה נבחרת לפי מספר טוקני הקלט של כל בקשה | ||
הערכה מבוססת מחיר מחירון
תמחור מדורג — הערכה זו משתמשת בתעריפי השכבה הבסיסית.
הערכה בלבד — ספירת הטוקנים בפועל תלויה בטוקנייזר של הספק.
GET /api/public/models/qwen/qwen3.5-122b-a10bפתיחה @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