Qwen3.6 35B-A3B — MoE de pesos abertos multimodal (texto/imagem/vídeo), 35B total / 3B parâmetros ativos, contexto de 256k.
Qwen3.6 35B A3B é um modelo de linguagem grande do tipo mistura de especialistas (MoE) da família Qwen. Ele contém 35 bilhões de parâmetros totais, mas apenas cerca de 3 bilhões são ativados durante…
O Qwen3.6 35B A3B se destaca em tarefas que se beneficiam de janelas de contexto longas e compreensão multimodal. Isso inclui respostas a perguntas em nível de documento, resumo de relatórios extensos, geração de código com contexto estendido e raciocínio complexo em várias etapas. O contexto de 262.144 tokens do modelo permite que ele absorva livros inteiros, bases de código extensas ou horas de vídeo transcrito. Sua força no τ²-Bench (95,3) indica um desempenho sólido em tarefas que exigem recuperar e usar informações de entradas longas, bem como chamar ferramentas externas e seguir instruções ao longo de muitas interações. As entradas multimodais—imagens e vídeos—adicionam a capacidade de analisar conteúdo visual junto com texto em um único prompt.
O modelo suporta entrada na forma de texto, imagens e arquivos de vídeo. Ao enviar uma solicitação via API do OrcaRouter, você pode incluir dados de imagem (por exemplo, codificada em base64 ou URL) e arquivos de vídeo na mensagem do usuário, seguindo o mesmo formato multimodal usado por outros provedores. O modelo processa esses elementos visuais juntamente com o prompt de texto, permitindo que ele raciocine sobre gráficos, diagramas, fotografias ou clipes de vídeo. Por exemplo, você pode pedir que ele descreva uma cena de um vídeo, extraia dados de uma imagem ou combine instruções de texto com contexto visual. A saída é sempre texto. Não há cobrança separada para entradas multimodais — elas são faturadas na mesma taxa de entrada por token.
A janela de contexto de 262.144 tokens permite que o modelo lide com sequências muito longas sem truncamento. No entanto, o processamento de contexto longo pode aumentar a latência e o uso de memória. A arquitetura MoE ajuda a mitigar custos porque apenas 3B parâmetros são ativos por token, mas o mecanismo de atenção completa ainda escala com o comprimento da sequência. Em tarefas onde as informações relevantes estão espalhadas por uma entrada longa, a alta pontuação τ²-Bench do Qwen3.6 35B A3B sugere que ele pode recuperar e raciocinar de forma eficaz. Para documentos muito longos, considere estratégias de chunking ou use as próprias capacidades de sumarização do modelo. Para tarefas com contexto curto, um modelo denso mais barato pode ser mais econômico.
Se seu caso de uso envolve prompts curtos (abaixo de 4K tokens), tarefas simples como classificação ou extração, ou não requer entrada multimodal, um modelo denso menor—como uma variante de 7B parâmetros—pode oferecer menor latência e custo. O preço por token do Qwen3.6 35B A3B ($0,25/$1,48 por milhão de tokens) é moderado, mas para cargas de trabalho de alto volume e baixa complexidade, um modelo com parâmetros ativos ainda menores (por exemplo, 1B ou 3B denso) pode ser mais econômico. Além disso, se você não precisar de contexto longo ou capacidades multimodais, estará pagando por sobrecarga que talvez não utilize. Avalie seus comprimentos médios de prompt e saída em relação aos pontos fortes do modelo para decidir.
τ²-Bench é um benchmark que avalia a capacidade de um modelo de realizar raciocínio de contexto longo e uso de ferramentas em várias etapas. Envolve processar um grande corpus (por exemplo, um banco de dados de documentos ou uma base de código) e, em seguida, responder perguntas que exigem recuperar e sintetizar informações desse corpus. Uma pontuação de 95.3 indica que o modelo lidou com essas tarefas com alta precisão, superando muitos outros modelos neste benchmark específico. Isso sugere fortes capacidades de recuperação, raciocínio e seguimento de instruções em contextos estendidos. No entanto, as pontuações de benchmark devem ser interpretadas como uma medida de desempenho; resultados do mundo real podem variar dependendo das especificidades da tarefa.
Latência para Qwen3.6 35B A3B é influenciada por sua arquitetura MoE: apenas 3B parâmetros estão ativos por token, o que geralmente permite inferência mais rápida do que um modelo denso de 35B. No entanto, o mecanismo de atenção ainda requer o processamento da janela de contexto completa, então entradas mais longas aumentam o tempo até o primeiro token. OrcaRouter não publica benchmarks de latência específicos para este modelo. Na prática, os tempos de resposta dependem da carga de requisições, do comprimento do prompt e da contagem de tokens de saída. Para aplicações em tempo real, teste com suas entradas típicas. Para processamento em lote, a eficiência de custo do modelo pode compensar latências mais longas. Os usuários devem considerar tanto a velocidade quanto o custo ao comparar com modelos densos.
O principal resultado de benchmark fornecido é a pontuação τ²-Bench de 95,3, que indica um forte raciocínio de contexto longo e uso de ferramentas. Esta é uma área-chave de força. A multimodalidade do modelo também o posiciona bem para tarefas que combinam dados visuais e textuais, embora nenhuma pontuação de benchmark separada para tarefas visuais seja fornecida aqui. Com base na arquitetura, pode-se esperar que o modelo tenha um bom desempenho em tarefas que se beneficiam do grande número de parâmetros, mas não exigem ativação total de todos os parâmetros. O design MoE pode levar a uma consistência ligeiramente menor em comparação com modelos densos em certas tarefas restritas, mas oferece uma troca favorável entre capacidade e custo.
Embora a pontuação no τ²-Bench seja alta, é um único benchmark; o desempenho em outros benchmarks (por exemplo, MMLU, MATH, competições de programação) não é fornecido. Os modelos densos equivalentes (por exemplo, um modelo denso completo de 35B) podem superar em tarefas que exigem que todos os parâmetros sejam engajados simultaneamente, como certos raciocínios matemáticos ou tarefas multilíngues. Além disso, a entrada multimodal é suportada, mas a qualidade da compreensão de vídeo pode depender da amostragem de quadros e da compressão. A latência não é medida publicamente. Os usuários não devem presumir que o modelo é a melhor escolha para todos os cenários; sempre avalie em relação ao seu caso de uso específico e considere executar seus próprios benchmarks.
O preço é por token, cobrado separadamente para entrada e saída. O custo é de $0,25 por 1 milhão de tokens de entrada e $1,48 por 1 milhão de tokens de saída. Essas são as taxas do provedor, e o OrcaRouter aplica markup zero. Tokens de entrada incluem todos os tokens no prompt, incluindo texto, tokenização de imagem e tokenização de vídeo. Tokens de saída são todos os tokens gerados na resposta. Não há taxas adicionais para usar a API, nem assinaturas mensais, nem requisitos mínimos de uso. A cobrança é feita pelo OrcaRouter com base no uso de tokens. Como apenas 3B parâmetros estão ativos por token, o custo computacional para o provedor é menor do que um modelo denso de 35B, e essa economia é repassada no preço.
O preço de entrada ($0.25/1M tokens) é relativamente baixo, enquanto o preço de saída ($1.48/1M) é mais alto, refletindo o custo da geração. Se a sua aplicação produzir um grande número de tokens (por exemplo, resumos longos, geração de código), o custo de saída será dominante. Nesses casos, considere reduzir o comprimento da saída por meio de instruções ou usar um modelo mais barato para geração, se a qualidade permitir. Por outro lado, se você tiver prompts muito longos, mas saídas curtas, o custo de entrada é favorável. A arquitetura MoE significa que o custo de inferência por token é menor do que um modelo denso com parâmetros totais semelhantes, mas o preço aqui é definido pela taxa do provedor; você está pagando pela eficiência.
OrcaRouter não divulga publicamente se o cache de prompt está disponível para este modelo. Se o cache fosse implementado, poderia reduzir custos ao evitar a re-codificação de prefixos de prompt idênticos. No entanto, nenhum recurso desse tipo é mencionado especificamente para este modelo. Os usuários devem assumir que cada requisição é cobrada com as taxas padrão por token. Para prompts repetitivos, considere agrupar consultas ou usar prefixos mais curtos para minimizar o uso de tokens de entrada. Você também pode monitorar as contagens de tokens através do campo usage na resposta da API para otimizar custos. Para uso em escala empresarial, entre em contato com a OrcaRouter para discutir possíveis acordos personalizados ou suporte a cache.
Margem zero significa que a OrcaRouter cobra de você exatamente o mesmo preço por token definido pelo provedor do modelo (Qwen). Nenhuma taxa adicional de plataforma, custos indiretos ou margem de lucro é adicionada. Os $0,25/1M de entrada e $1,48/1M de saída são as taxas próprias do provedor. Isso é transparência em precificação; você paga apenas pelo custo de inferência subjacente. A OrcaRouter ainda gerencia a infraestrutura da API, roteamento e cobrança, mas não cobra extra por esse serviço. Isso pode tornar o Qwen3.6 35B A3B mais econômico em comparação com algumas outras plataformas que podem adicionar uma margem. No entanto, você ainda pode precisar comparar os custos totais, incluindo quaisquer descontos por volume ou créditos oferecidos pela OrcaRouter separadamente.
Use o endpoint de conclusões de chat compatível com OpenAI em https://api.orcarouter.ai/v1. Defina o parâmetro model como "qwen/qwen3.6-35b-a3b". Construa as mensagens como faria com a API da OpenAI, incluindo uma mensagem de sistema, se desejado, e mensagens de usuário. Para entrada multimodal, inclua um array de partes de conteúdo com tipo "text" e "image_url" (ou "video_url"). Exemplo (pseudocódigo): 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"}}]}]}'. A resposta segue o formato OpenAI com choices, usage, etc.
Parâmetros padrão da OpenAI são suportados: temperature (0 a 2, padrão 1), top_p (0 a 1, padrão 1), max_tokens (até 65536), sequências de parada, frequency_penalty, presence_penalty e stream. Para solicitações multimodais, você pode passar imagens como URLs de dados base64 ou URLs públicas. Entradas de vídeo podem exigir codificação específica—consulte a documentação do OrcaRouter. Parâmetros adicionais como seed para reprodutibilidade podem ser suportados, mas não são garantidos. O modelo não suporta function calling ou ferramentas nativamente; no entanto, você pode simular chamadas de ferramentas instruindo o modelo no prompt do sistema. Para chamadas paralelas de ferramentas, você precisaria gerenciar o loop externamente. O streaming é recomendado para aplicações em tempo real para reduzir a latência percebida.
Se você está acostumado com uma API compatível com OpenAI, a migração requer apenas alterar a URL base e o ID do modelo. Substitua seu endpoint existente por https://api.orcarouter.ai/v1 e defina o modelo como "qwen/qwen3.6-35b-a3b". A autenticação usa uma chave de API fornecida pela OrcaRouter (definida no cabeçalho Authorization como Bearer). Limites de taxa e faturamento são gerenciados pela OrcaRouter. Para migração multimodal, certifique-se de que a formatação de imagem/vídeo corresponda ao esquema esperado (compatível com OpenAI). O formato de resposta é idêntico ao chat completions da OpenAI, portanto, seu código de análise existente deve funcionar com alterações mínimas. Teste com uma única solicitação para confirmar que a contagem de tokens e a latência são aceitáveis.
Sim, o modelo oferece suporte a streaming via protocolo de eventos enviados pelo servidor (SSE) compatível com OpenAI. Defina "stream": true na sua solicitação. O stream emitirá tokens delta conforme são gerados, exatamente como no streaming da OpenAI, incluindo informações de finish_reason e usage no evento final. O streaming é útil para aplicações interativas onde você deseja exibir a saída incrementalmente. Observe que o streaming não reduz os custos totais de tokens; você é cobrado pela saída completa. A arquitetura MoE pode produzir tokens a uma taxa consistente, mas a taxa de transferência real depende da rede e da carga do servidor. Teste sua integração para garantir o tratamento adequado dos eventos de stream.
Comparado ao Mixtral 8x7B (um popular modelo MoE com 47B total, 12.9B ativos), o Qwen3.6 35B A3B tem menos parâmetros totais, mas também menos parâmetros ativos (3B vs 12.9B). Isso o torna potencialmente mais eficiente em custo por token. A janela de contexto de 262K tokens é significativamente maior que o padrão de 32K do Mixtral (embora o Mixtral possa ser estendido). O Qwen3.6 A3B também suporta entrada de imagem e vídeo, o que o Mixtral não faz nativamente. Em benchmarks, o Mixtral pontua em torno de 65-70 no τ²-Bench? Não informado; mas o Qwen com 95.3 é muito alto para esse benchmark específico. Para tarefas de texto puro e contexto curto, o Mixtral pode apresentar desempenho comparável ou melhor em algumas tarefas de raciocínio devido a mais parâmetros ativos. Para tarefas de contexto longo e multimodais, o Qwen3.6 A3B tem uma clara vantagem.
Um modelo denso de 35B parâmetros exigiria aproximadamente 12 vezes mais computação por token do que os 3B parâmetros ativos neste modelo MoE. O Qwen3.6 A3B oferece assim uma vantagem de velocidade e custo no momento da inferência, ao custo potencial de alguma consistência porque o roteamento de especialistas pode nem sempre ativar os especialistas mais relevantes para cada entrada. Modelos densos geralmente alcançam qualidade mais previsível em diversas tarefas. No entanto, a pontuação τ²-Bench sugere que este modelo MoE pode competir com modelos densos em raciocínio de contexto longo. Se você tem uma carga de trabalho de produção de alto volume onde latência e custo são críticos, a abordagem MoE é benéfica. Para pesquisa que exige comportamento determinístico, um modelo denso pode ser preferível.
Escolha o Qwen3.6 35B A3B quando sua aplicação exigir: (1) processamento de documentos muito longos (até 262K tokens) em uma única passada, (2) compreensão multimodal que inclui imagens e vídeo, (3) desempenho forte em tarefas que envolvem recuperação e raciocínio sobre grandes contextos (conforme medido pelo τ²-Bench), e (4) eficiência de custo de uma arquitetura MoE com baixos parâmetros ativos. Se suas tarefas são de formato curto, apenas texto e não exigem contexto longo, um modelo mais barato como um modelo denso de 7B pode ser suficiente. Para tarefas que exigem a mais alta qualidade possível em benchmarks restritos (por exemplo, problemas de competição de matemática), um modelo denso maior (por exemplo, 70B) pode ter melhor desempenho.
As alternativas incluem os modelos densos Qwen2.5 32B ou 72B se você precisar de qualidade mais consistente em todas as tarefas. Para multimodal, GPT-4o ou Claude 3.5 Sonnet oferecem compreensão visual mais ampla, mas a um custo mais alto. Para throughput muito alto, um modelo MoE menor como Qwen2.5 14B A2B pode ser mais barato. Se você precisar de function calling ou uso de ferramentas com saídas estruturadas, considere modelos com suporte nativo a function calling (por exemplo, GPT-4 ou Claude). A escolha, em última análise, depende da sua combinação específica de comprimento de contexto, modalidade, tolerância à latência e orçamento. Sempre execute sua própria avaliação usando exemplos representativos.
Compatível com OpenAI — mantenha seu SDK
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| Entrada / 1M tokens | $0.248 |
| Saída / 1M tokens | $1.485 |
| Moeda | USD |
Estimativa com base no preço de tabela
Apenas uma estimativa — a contagem real de tokens depende do tokenizador do provedor.
GET /api/public/models/qwen/qwen3.6-35b-a3bAbrir @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