โมเดล Qwen3.6 35B A3B เวอร์ชันไม่มีการบีบอัดและไม่มีเซ็นเซอร์ ซึ่งคงความสามารถดั้งเดิมของโมเดลไว้ในขณะที่ลบพฤติกรรมการปฏิเสธออก สร้างขึ้นสำหรับนักพัฒนา นักวิจัยด้าน AI และเวิร์กโฟลว์เอเจนต์ขั้นสูงที่ต้องการผลลัพธ์จากโมเดลโดยไม่มีข้อจำกัด โดยไม่กระทบต่อความสามารถในการใช้เหตุผล การเขียนโค้ด ประสิทธิภาพหลายภาษา หรือการใช้เครื่องมือ เวอร์ชัน Aggressive ปลดล็อกอย่างสมบูรณ์และออกแบบมาเพื่อให้คำตอบที่ตรงไปตรงมาและสมบูรณ์ในหลากหลายพรอมต์ แม้ว่าโมเดลอาจแนบข้อความปฏิเสธความรับผิดชอบสั้นๆ ที่สืบทอดมาจากการฝึกอบรมของโมเดลพื้นฐานเป็นครั้งคราว แต่ข้อความเหล่านี้ไม่ใช่การปฏิเสธ และเนื้อหาที่ร้องขอยังคงถูกสร้างขึ้นอย่างสมบูรณ์ เหมาะสำหรับการวิจัยด้าน AI การทดสอบความปลอดภัย การทดสอบแบบทีมแดง การพัฒนาเอเจนต์ ผู้ช่วยเขียนโค้ด และแอปพลิเคชัน AI ขั้นสูงอื่นๆ ที่ได้รับประโยชน์จากความยืดหยุ่นสูงสุดของผลลัพธ์ การเข้าถึงโมเดลนี้มีข้อจำกัดและมีไว้สำหรับนักวิจัยด้านความปลอดภัย ทีมแดง นักวิจัยด้านความปลอดภัยทาง AI และผู้เชี่ยวชาญที่มีคุณสมบัติเหมาะสมอื่นๆ ที่ดำเนินการวิจัย ประเมินผล และทดสอบอย่างถูกต้องตามกฎหมาย
โมเดลนี้เป็นรูปแบบ Mixture-of-Experts จากซีรีส์ Qwen3.6 พัฒนาโดย Alibaba Cloud และโฮสต์โดยผู้ให้บริการ Obsidian บน OrcaRouter มีพารามิเตอร์รวม 35 พันล้านพารามิเตอร์ โดยเปิดใช้งานเพียง 3…
โมเดลนี้มีความสามารถโดดเด่นในงานที่ได้ประโยชน์จากหน้าต่างบริบทขนาดใหญ่และความเข้าใจแบบหลายรูปแบบ (multimodal) สำหรับข้อความ มันสามารถสรุปหรือตอบคำถามเกี่ยวกับเอกสารที่มีความยาวถึง 262,144 โทเค็น เช่น หนังสือทั้งเล่มหรือรายงานที่ยาว สำหรับภาพและวิดีโอ มันสามารถดึงข้อมูลโดยละเอียดและรวมเข้ากับบริบทที่เป็นข้อความได้ ธรรมชาติที่ไม่ถูกเซ็นเซอร์ (uncensored) ทำให้มันสามารถสร้างเนื้อหาเชิงสร้างสรรค์ได้โดยไม่มีข้อจำกัดด้านความปลอดภัยทั่วไป ซึ่งมีประโยชน์สำหรับการสร้างเรื่องราว การเล่นบทบาทสมมุติ หรือสถานการณ์อื่นๆ ที่ต้องการตัวกรองที่เข้มงวดน้อยกว่า การออกแบบ MoE ช่วยให้การอนุมาน (inference) รวดเร็วเมื่อเทียบกับโมเดลแบบหนาแน่น (dense models) ที่มีขนาดรวมใกล้เคียงกัน ทำให้ใช้งานได้จริงสำหรับแอปพลิเคชันแบบเรียลไทม์เมื่อปรับใช้อย่างมีประสิทธิภาพ ความสามารถหลายภาษาสืบทอดมาจากตระกูล Qwen3.6 ซึ่งรองรับหลายภาษา
แท็ก "uncensored" หมายความว่าโมเดลได้รับการฝึก alignment ที่ลดลงเมื่อเทียบกับ checkpoint Qwen3.6 มาตรฐาน ซึ่งอาจส่งผลให้ผลลัพธ์มีการกรองเนื้อหาที่เป็นอันตราย ไม่เหมาะสม หรือก่อให้เกิดความขัดแย้งน้อยลง ผู้ใช้ควรทดสอบโมเดลอย่างละเอียดในกรณีการใช้งานเฉพาะของตนเพื่อให้แน่ใจว่าผลลัพธ์เป็นไปตามมาตรฐานที่ต้องการ การขาดการเซ็นเซอร์นี้อาจเป็นประโยชน์สำหรับงานต่างๆ เช่น การเขียนเชิงสร้างสรรค์ การสวมบทบาทแบบไม่ถูกเซ็นเซอร์ หรือการวิจัยในหัวข้อที่ละเอียดอ่อนซึ่งต้องการการสร้างเนื้อหาที่เป็นกลาง อย่างไรก็ตาม ยังหมายความว่าโมเดลอาจสร้างเนื้อหาที่ละเมิดนโยบายเนื้อหาทั่วไป OrcaRouter ไม่ได้อ้างว่ามีการกรองความปลอดภัยเพิ่มเติมใดๆ พฤติกรรมพื้นฐานของโมเดลคือสิ่งที่คุณได้รับ
หากงานของคุณเกี่ยวข้องกับข้อมูลนำเข้าสั้น (เช่น สองสามร้อยโทเค็น) การจำแนกประเภทง่ายๆ หรือต้องการเพียงความเข้าใจภาษาขั้นพื้นฐาน โมเดลที่เล็กกว่าและถูกกว่าเช่น Qwen2.5-7B หรือ GPT-4o-mini อาจคุ้มค่ากว่า จุดแข็งของโมเดลนี้จะปรากฏชัดเจนที่สุดเมื่อจัดการกับบริบทที่ยาวมาก (มากกว่า 10K โทเค็น) หรือข้อมูลนำเข้าหลายรูปแบบ สำหรับงานข้อความล้วนที่ต่ำกว่า 8K โทเค็นและไม่ต้องการความสามารถด้านรูปภาพ/วิดีโอ คุณอาจประหยัดเงินโดยใช้โมเดลเล็กที่ออกแบบมาเฉพาะ นอกจากนี้ หากแอปพลิเคชันของคุณต้องการการกรองเนื้อหาที่เข้มงวด ธรรมชาติที่ไม่ผ่านการเซ็นเซอร์อาจบังคับให้คุณเพิ่มเลเยอร์การกลั่นกรองภายนอก ซึ่งเพิ่มค่าใช้จ่าย
โมเดลนี้รองรับอินพุตภาพและวิดีโอนอกเหนือจากข้อความ สำหรับภาพ คุณสามารถระบุข้อมูลภาพที่เข้ารหัสแบบ base64 หรือ URL (ผ่านอาร์เรย์ content ของ API โดยมี type เป็น "image_url") สำหรับวิดีโอ API อาจรองรับเฟรมวิดีโอในรูปแบบลำดับภาพหรือ URL ของไฟล์วิดีโอ ควรตรวจสอบรูปแบบที่แน่นอนในเอกสารของ OrcaRouter โมเดลจะประมวลผลอินพุตภาพเหล่านี้ร่วมกับข้อความเพื่อสร้างคำตอบ หน้าต่างบริบท 262,144 โทเค็นใช้กับจำนวนโทเค็นรวมของทุกโมดอลอินพุต โปรดทราบว่าการประมวลผลภาพและวิดีโอจะใช้โทเค็นตามสัดส่วนของความละเอียดและความยาวของภาพ ดังนั้นอินพุตที่ใหญ่ขึ้นจะลดความจุของข้อความที่มีอยู่
ผู้ให้บริการไม่ได้ระบุคะแนนเกณฑ์มาตรฐานเฉพาะสำหรับโมเดลนี้ โดยทั่วไปแล้วซีรีส์ Qwen3.6 มีประสิทธิภาพในการแข่งขันบนเกณฑ์มาตรฐานบริบทยาว เช่น L-Eval และ RULER และในงานมัลติโมดัล เช่น MMMU และ MathVista แต่ค่าตัวเลขที่แน่นอนสำหรับรุ่นนี้ที่ไม่มีการเซ็นเซอร์ขนาด 35B A3B ยังไม่ได้ถูกเผยแพร่ ผู้ใช้ที่สนใจประสิทธิภาพเชิงประจักษ์ควรดำเนินการประเมินของตนเองบนชุดข้อมูลที่เป็นตัวแทน สถาปัตยกรรม MoE ที่มีพารามิเตอร์ที่ถูกเปิดใช้งาน 3B มักให้ผลลัพธ์เทียบเท่ากับโมเดลแบบหนาแน่นที่มีขนาดแอคทีฟใกล้เคียงกัน ในขณะที่ต้นทุนพื้นที่จัดเก็บและหน่วยความจำรวมสูงกว่าเนื่องจากพารามิเตอร์เต็ม 35B
ความเร็วและความหน่วงขึ้นอยู่กับหลายปัจจัย ได้แก่ ความยาวของอินพุต ความยาวของเอาต์พุต โหลดของเซิร์ฟเวอร์ และการกำหนดค่าฮาร์ดแวร์ เนื่องจากโมเดลเปิดใช้งานพารามิเตอร์เพียง 3B ต่อโทเค็น จึงคาดว่าจะเร็วกว่าโมเดลหนาแน่นขนาด 35B โดยมีอัตราการสร้างเทียบเคียงได้กับโมเดลเช่น GPT-3.5 (แม้จะไม่ได้ระบุตัวเลขที่แน่นอน) โครงสร้างพื้นฐานของ OrcaRouter ที่ทำงานผ่าน Obsidian อาจมีความหน่วงที่แปรผัน ผู้ใช้สามารถทดสอบกับปริมาณงานของตนเองได้ สำหรับสถานการณ์บริบทยาว (เช่น 100K+ โทเค็น) เวลา Prefill จะเพิ่มขึ้นเป็นเส้นตรงตามความยาวอินพุต โดยทั่วไปการสร้างโทเค็นเอาต์พุตเป็นปัจจัยหลักที่ทำให้เกิดความหน่วง ไม่มีการระบุข้อตกลงระดับบริการ (SLA) สำหรับความเร็ว
จุดแข็งของโมเดลประกอบด้วยหน้าต่างบริบทขนาดใหญ่ 262K ซึ่งช่วยให้ประมวลผลหนังสือทั้งเล่มหรือบทบรรยายวิดีโอหลายชั่วโมงได้ในครั้งเดียว การออกแบบ MoE ให้การแลกเปลี่ยนที่ดีระหว่างความจุและความเร็วในการอนุมาน การป้อนข้อมูลแบบหลายรูปแบบช่วยให้ทำงานที่รวมข้อความและข้อมูลภาพเข้าด้วยกัน ลักษณะที่ไม่ถูกเซ็นเซอร์ช่วยให้สร้างเนื้อหาที่โมเดลอื่นอาจปฏิเสธ การรองรับหลายภาษาครอบคลุมหลายสิบภาษา ราคามีความสามารถในการแข่งขันสำหรับโมเดลที่มีความสามารถนี้: $0.31/M input และ $4.21/M output, ไม่มีมาร์กอัป
ข้อจำกัดรวมถึงการขาดข้อมูลเกณฑ์มาตรฐานที่เผยแพร่ ซึ่งทำให้ยากต่อการวัดประสิทธิภาพเชิงเปรียบเทียบ ธรรมชาติที่ไม่ผ่านการเซ็นเซอร์อาจสร้างผลลัพธ์ที่ไม่พึงประสงค์หากไม่มีการกลั่นกรองเพิ่มเติม จำนวนพารามิเตอร์ที่เปิดใช้งาน 3B หมายความว่าอาจไม่ตรงกับพลังการให้เหตุผลดิบของโมเดลหนาแน่นขนาดใหญ่ (เช่น GPT-4) ในงานตรรกะที่ซับซ้อน ความสามารถหลายรูปแบบอาจมีความละเอียดน้อยกว่าโมเดลวิสัยทัศน์-ภาษาที่อุทิศให้โดยเฉพาะ รูปแบบอินพุตเช่นการสร้างโทเค็นวิดีโออาจลดบริบทที่มีประสิทธิผลสำหรับข้อความ ไม่มีการรับประกันความสามารถในการสตรีมหรือการใช้เครื่องมือ สุดท้าย การพึ่งพาผู้ให้บริการบุคคลที่สาม Obsidian หมายความว่าความพร้อมใช้งานและเวลาทำงานไม่อยู่ภายใต้การควบคุมของ OrcaRouter
ราคามีความโปร่งใส: $0.31 ต่อล้านโทเคนอินพุต และ $4.21 ต่อล้านโทเคนเอาต์พุต นี่คืออัตราค่าบริการจาก Obsidian โดยตรง โดย OrcaRouter ไม่ได้บวกเพิ่มเลย โทเคนอินพุตรวมถึงข้อความและโทเคนภาพ (สำหรับรูปภาพและวิดีโอ) โทเคนเอาต์พุตคือข้อความที่สร้างขึ้น ไม่มีค่าธรรมเนียมต่อคำขอหรือค่าสมัครสมาชิก คุณจ่ายเฉพาะโทเคนที่ใช้ไปเท่านั้น ราคาคิดต่อ 1M โทเคน ดังนั้นคำขอเล็กๆ จึงมีค่าใช้จ่ายเพียงเศษเสี้ยวของเซ็นต์ ไม่มีแผนฟรีหรือทดลองใช้โฆษณา
ไม่มีส่วนลด สิทธิประโยชน์จากการแคช หรือการกำหนดราคาตามปริมาณที่เปิดเผยสำหรับโมเดลนี้ อัตราที่แสดงเป็นอัตราคงที่ต่อโทเค็น แตกต่างจากผู้ให้บริการบางรายที่เสนอราคาลดสำหรับโทเค็นอินพุตที่ถูกแคช OrcaRouter ใช้อัตราอินพุตเดียวกันโดยไม่คำนึงถึงการทำซ้ำ สำหรับการใช้งานที่สูงมาก คุณสามารถติดต่อ OrcaRouter เพื่อการจัดการแบบกำหนดเองที่อาจเป็นไปได้ แต่ไม่มีส่วนลดมาตรฐานที่บันทึกไว้ นโยบายไม่มีมาร์กอัปทำให้มั่นใจว่าคุณกำลังจ่ายตามที่ Obsidian คิดค่าบริการพอดี โดยไม่มีค่าธรรมเนียมแอบแฝง
โมเดล multimodal แบบ long-context ที่เทียบเคียงได้จากผู้ให้บริการอื่นมักมีราคาแพงกว่า: ตัวอย่างเช่น OpenAI GPT-4 Turbo ราคา $10/1M input และ $30/1M output ในขณะที่ Claude 3.5 Sonnet ราคา $3/1M input และ $15/1M output. โมเดลนี้มีราคาถูกกว่าอย่างเห็นได้ชัดที่ $0.31/$4.21. อย่างไรก็ตาม โมเดลเหล่านั้นมีความสามารถที่แตกต่างกัน (เช่น การใช้เครื่องมือ, เกณฑ์มาตรฐานการให้เหตุผลที่สูงกว่า) ราคาที่ต่ำกว่าสะท้อนถึงสถาปัตยกรรม MoE และข้อเท็จจริงที่ว่าเป็นโมเดลที่โฮสต์โดยบุคคลที่สามแบบไม่ถูกเซ็นเซอร์ หากคุณต้องการความน่าเชื่อถือที่รับประกันได้ ความปลอดภัยที่สูงกว่า หรือคุณสมบัติขั้นสูงเช่นการเรียกฟังก์ชัน ค่าใช้จ่ายเพิ่มเติมอาจมีความสมเหตุสมผล
ในการใช้โมเดล ให้ส่งคำขอ POST ไปที่ https://api.orcarouter.ai/v1/chat/completions (หรือ endpoints ที่เหมาะสมตาม API ที่เข้ากันได้กับ OpenAI ของ OrcaRouter) รวม header "Authorization: Bearer YOUR_API_KEY" ใน body ของคำขอ ให้ตั้งค่า "model": "obsidian/Qwen3.6-35B-A3B" ส่ง messages ในรูปแบบมาตรฐานของ OpenAI: อาร์เรย์ของ objects ที่มี "role" และ "content" สำหรับเนื้อหาแบบ multimodal ให้ใช้ content array ที่มี type "text" และ "image_url" (หรือเทียบเท่าสำหรับวิดีโอ) ตัวอย่างด้วย cURL: curl https://api.orcarouter.ai/v1/chat/completions -H "Content-Type: application/json" -H "Authorization: Bearer $KEY" -d '{"model":"obsidian/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"}}]}]}'
คุณสามารถใช้พารามิเตอร์ที่เข้ากันได้กับ OpenAI ทั่วไป: temperature (ค่าเริ่มต้น 1.0), top_p (0.9), max_tokens (ค่าเริ่มต้นแตกต่างกันไป แนะนำให้ตั้งค่าอย่างชัดเจน), stop sequences, frequency_penalty, presence_penalty, และ seed เพื่อการทำซ้ำได้ โมเดลรองรับการสตรีมผ่าน "stream": true เพื่อรับการตอบกลับแบบทีละโทเคน สำหรับอินพุตแบบมัลติโมดัล API คาดหวังอาร์เรย์เนื้อหาที่มี type "image_url" และตัวเลือก "video_url" (ตรวจสอบเอกสาร OrcaRouter สำหรับรูปแบบวิดีโอที่แน่นอน) ขีดจำกัดหน้าต่างบริบทที่ 262,144 โทเคนใช้กับจำนวนโทเคนทั้งหมดในข้อความบวกกับการตอบกลับ หากคุณเกินขีดจำกัด คุณจะได้รับข้อผิดพลาดความยาวบริบท คุณสามารถปรับ "max_tokens" หรือตัดทอนข้อความ
เพื่อใช้ประโยชน์จากบริบทขนาด 262K ให้จัดโครงสร้างพรอมต์ของคุณให้รวมเอกสารหรือประวัติการสนทนาทั้งหมด จำไว้ว่าทุกโทเคนในอินพุตมีผลต่อค่าใช้จ่ายและข้อจำกัด สำหรับอินพุตที่ยาวมาก ให้พิจารณาแบ่งเป็นส่วนหรือสรุปก่อนส่ง แม้ว่าโมเดลจะถูกออกแบบมาให้รองรับบริบททั้งหมดก็ตาม ใช้พารามิเตอร์ "max_tokens" เพื่อควบคุมความยาวของเอาต์พุต หากพบข้อผิดพลาดหมดเวลา ให้เปิดใช้งานสตรีมมิงเพื่อรับผลลัพธ์บางส่วนเร็วขึ้น OrcaRouter อาจมีการตั้งค่าหมดเวลาเป็นของตัวเอง ติดต่อฝ่ายสนับสนุนหากจำเป็น โมเดลไม่รองรับข้อความระบบในลักษณะพิเศษ ให้ถือว่าเป็นข้อความผู้ใช้หรือผู้ช่วยที่มีบทบาท "system" (รูปแบบ OpenAI มาตรฐาน)
การย้ายจากผู้ให้บริการเช่น OpenAI หรือ Anthropic ต้องเปลี่ยน base URL เป็น https://api.orcarouter.ai/v1 และอัปเดต model ID หากโค้ดของคุณใช้ OpenAI Python client ให้ตั้งค่า client = OpenAI(api_key="YOUR_KEY", base_url="https://api.orcarouter.ai/v1") จากนั้นใช้ client.chat.completions.create(model="obsidian/Qwen3.6-35B-A3B", ...) รูปแบบข้อความและชื่อพารามิเตอร์เหมือนกัน ไม่จำเป็นต้องเปลี่ยนแปลงตรรกะของ prompt โปรดทราบว่ารูปร่างของ response object ก็เข้ากันได้เช่นกัน ดังนั้นโค้ดที่แยกวิเคราะห์ที่มีอยู่ควรทำงานได้ ทดสอบด้วยคำขอเล็กๆ ก่อนเพื่อให้แน่ใจว่าการรับรองความถูกต้องและการเรียกเก็บเงินถูกต้อง
เมื่อเปรียบเทียบกับ Qwen3.6-72B (dense) โมเดลนี้ใช้ MoE จึงมีค่าใช้จ่ายในการอนุมานต่อ token ต่ำกว่าแต่อาจมีความสามารถดิบที่ต่ำกว่าเล็กน้อย บริบท 262K ใหญ่กว่า 128K ของ Qwen2.5 เมื่อเทียบกับ Qwen3.6-32B (อาจเป็น dense) โมเดลนี้รองรับอินพุตแบบ multimodal ซึ่งรุ่นก่อนหน้านี้อาจไม่มี รุ่น "uncensored" นั้นมีเอกลักษณ์เฉพาะตัว การเปิดตัว Qwen ทั่วไปจะมี alignment หากคุณต้องการความปลอดภัยที่เคร่งครัด ให้เลือก Qwen3.6 ปกติ ในด้านราคา โมเดลนี้ราคาถูกกว่าโมเดล Qwen แบบ dense หลายรุ่นบนแพลตฟอร์มอื่น
GPT-4o และ Claude 3.5 Sonnet เป็นโมเดลที่มีลิขสิทธิ์ซึ่งผ่านการฝึกอบรมด้านความปลอดภัยอย่างเข้มข้น มีคะแนนมาตรฐานที่สูงกว่าในด้านการให้เหตุผลและการเขียนโค้ด และรองรับการใช้เครื่องมือ การมองเห็น และบริบทขนาดใหญ่ (200K สำหรับ Claude) โมเดลนี้มีบริบทที่ใหญ่กว่า (262K) และอินพุตแบบมัลติโมดัลในราคาที่ถูกกว่าอย่างมีนัยสำคัญ อย่างไรก็ตาม ขาดคุณสมบัติขั้นสูง ความน่าเชื่อถือ และความสม่ำเสมอของประสิทธิภาพของโมเดลเหล่านั้น สำหรับแอปพลิเคชันที่ต้นทุนเป็นข้อกังวลหลักและคุณสามารถยอมรับการแลกเปลี่ยนคุณภาพบางอย่าง โมเดลนี้เป็นทางเลือกที่ดี หากคุณต้องการการให้เหตุผลระดับสูงสุดหรือการเรียกใช้ฟังก์ชัน โมเดลพรีเมียมนั้นคุ้มค่ากับค่าใช้จ่ายเพิ่มเติม
โมเดลนี้เหมาะสมที่สุดเมื่อคุณต้องการ: (1) บริบทที่ยาวมาก (262K โทเค็น) ด้วยต้นทุนต่ำ (2) อินพุตแบบมัลติโมดัล (ภาพ/วิดีโอ) โดยไม่ต้องจ่ายในราคาพรีเมียม (3) การสร้างข้อความที่ไม่มีข้อจำกัด ซึ่งตัวกรองเนื้อหาจะเข้ามารบกวน (4) การอนุมานที่รวดเร็วเมื่อเทียบกับจำนวนพารามิเตอร์ทั้งหมด เนื่องจากการเปิดใช้งาน MoE เป็นตัวเลือกที่แข็งแกร่งสำหรับงานวิจัย การดึงข้อมูล การเขียนเชิงสร้างสรรค์ และงานใดๆ ที่ได้ประโยชน์จากบริบทสูงและต้นทุนต่อโทเค็นต่ำ หากคุณต้องการคุณสมบัติขั้นสูง เช่น การเรียกใช้เครื่องมือ ผลลัพธ์ที่มีโครงสร้าง หรือความน่าเชื่อถือสูง ให้พิจารณาโมเดลอื่น
| อินพุต / 1M โทเค็น | $0.310 |
| เอาต์พุต / 1M โทเค็น | $4.21 |
| สกุลเงิน | USD |
ประมาณการจากราคาตั้ง
เป็นเพียงการประเมิน — จำนวน token จริงขึ้นอยู่กับ tokenizer ของผู้ให้บริการ
GET /api/public/models/obsidian/Qwen3.6-35B-A3Bเปิด @misc{orcarouter_qwen3_6_35b_a3b,
title = {Qwen3.6 35B A3B Uncensored (Aggressive) API},
author = {obsidian},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/obsidian/Qwen3.6-35B-A3B}
}obsidian. (2026). Qwen3.6 35B A3B Uncensored (Aggressive) API. OrcaRouter. https://www.orcarouter.ai/models/obsidian/Qwen3.6-35B-A3B