Qwen3.6 35B-A3B — โอเพนเวท MoE หลายรูปแบบ (ข้อความ/ภาพ/วิดีโอ), 35B พารามิเตอร์ทั้งหมด / 3B พารามิเตอร์ที่ทำงาน, บริบท 256k
Qwen3.6 35B A3B เป็นโมเดลภาษาใหญ่แบบ mixture-of-experts (MoE) จากตระกูล Qwen ประกอบด้วยพารามิเตอร์รวม 35 พันล้านตัว แต่มีเพียงประมาณ 3 พันล้านตัวที่ถูกเปิดใช้งานในแต่ละการส่งผ่านไปข้างหน้า…
Qwen3.6 35B A3B มีความเป็นเลิศในงานที่ได้รับประโยชน์จากหน้าต่างบริบทที่ยาวและการเข้าใจหลายรูปแบบ งานเหล่านี้รวมถึงการตอบคำถามระดับเอกสาร การสรุปรายงานที่ยาว การสร้างโค้ดด้วยบริบทที่ขยาย และการให้เหตุผลที่ซับซ้อนหลายขั้นตอน บริบท 262,144 โทเคนของโมเดลช่วยให้สามารถรับข้อมูลทั้งเล่ม โค้ดเบสขนาดใหญ่ หรือวิดีโอที่ถอดเสียงเป็นชั่วโมง ความแข็งแกร่งบน τ²-Bench (95.3) บ่งชี้ถึงประสิทธิภาพที่แข็งแกร่งในงานที่ต้องดึงและใช้ข้อมูลจากอินพุตที่ยาว รวมถึงการเรียกใช้เครื่องมือภายนอกและการปฏิบัติตามคำแนะนำในหลายรอบ อินพุตหลายรูปแบบ—รูปภาพและวิดีโอ—เพิ่มความสามารถในการวิเคราะห์เนื้อหาภาพควบคู่กับข้อความในพรอมต์เดียว
โมเดลรองรับข้อมูลนำเข้าในรูปแบบข้อความ รูปภาพ และไฟล์วิดีโอ เมื่อส่งคำขอผ่าน API ของ OrcaRouter คุณสามารถรวมข้อมูลรูปภาพ (เช่น base64-encoded หรือ URL) และไฟล์วิดีโอในข้อความผู้ใช้ โดยใช้รูปแบบมัลติโมดัลเดียวกันกับที่ผู้ให้บริการอื่นใช้ โมเดลจะประมวลผลองค์ประกอบภาพเหล่านี้ร่วมกับข้อความแจ้งเตือน ทำให้สามารถให้เหตุผลเกี่ยวกับแผนภูมิ ไดอะแกรม ภาพถ่าย หรือคลิปวิดีโอได้ ตัวอย่างเช่น คุณสามารถขอให้อธิบายฉากจากวิดีโอ ดึงข้อมูลจากรูปภาพ หรือรวมคำแนะนำข้อความเข้ากับบริบทภาพ ผลลัพธ์จะเป็นข้อความเสมอ ไม่มีราคาแยกสำหรับอินพุตแบบมัลติโมดัล — คิดค่าบริการตามอัตราต่อโทเค็นอินพุตเดียวกัน
หน้าต่างบริบท 262,144 โทเค็นช่วยให้โมเดลสามารถจัดการลำดับที่ยาวมากได้โดยไม่ต้องตัดทอน อย่างไรก็ตาม การประมวลผลบริบทยาวอาจเพิ่มความหน่วงและการใช้หน่วยความจำ สถาปัตยกรรม MoE ช่วยลดต้นทุนเนื่องจากมีพารามิเตอร์เพียง 3B ที่ทำงานต่อโทเค็น แต่กลไกความสนใจแบบเต็มยังคงปรับขนาดตามความยาวของลำดับ สำหรับงานที่ข้อมูลที่เกี่ยวข้องกระจายอยู่ทั่วอินพุตยาว คะแนน τ²-Bench ที่สูงของ Qwen3.6 35B A3B บ่งชี้ว่าสามารถเรียกค้นและใช้เหตุผลได้อย่างมีประสิทธิภาพ สำหรับเอกสารที่ยาวมาก ให้พิจารณากลยุทธ์การแบ่งส่วนหรือใช้ความสามารถในการสรุปของโมเดลเอง สำหรับงานที่มีบริบทสั้น โมเดลแบบหนาแน่นที่ถูกกว่าอาจประหยัดกว่า
หากกรณีการใช้งานของคุณเกี่ยวข้องกับพรอมต์สั้น (น้อยกว่า 4K โทเคน) งานง่ายๆ เช่น การจัดหมวดหมู่หรือการสกัดข้อมูล หรือไม่ต้องการอินพุตแบบมัลติโมดัล โมเดลขนาดเล็กแบบหนาแน่น—เช่น รุ่นที่มีพารามิเตอร์ 7B—อาจให้ความหน่วงและต้นทุนที่ต่ำกว่า ราคาต่อโทเคนของ Qwen3.6 35B A3B ($0.25/$1.48 ต่อล้านโทเคน) อยู่ในระดับปานกลาง แต่สำหรับปริมาณงานสูงที่มีความซับซ้อนต่ำ โมเดลที่มีพารามิเตอร์ที่ใช้งานจริงต่ำกว่า (เช่น 1B หรือ 3B แบบหนาแน่น) อาจคุ้มค่ากว่า นอกจากนี้ หากคุณไม่ต้องการบริบทที่ยาวหรือความสามารถแบบมัลติโมดัล คุณกำลังจ่ายค่าใช้จ่ายส่วนเกินที่คุณอาจไม่ได้ใช้ ประเมินความยาวพรอมต์และเอาต์พุตโดยเฉลี่ยของคุณเทียบกับจุดแข็งของโมเดลเพื่อตัดสินใจ
τ²-Bench เป็นเกณฑ์มาตรฐานที่ใช้วัดความสามารถของโมเดลในการใช้เหตุผลในบริบทที่ยาวและการใช้เครื่องมือแบบหลายขั้นตอน โดยเกี่ยวข้องกับการประมวลผลคลังข้อมูลขนาดใหญ่ (เช่น ฐานข้อมูลเอกสารหรือฐานโค้ด) จากนั้นจึงตอบคำถามที่ต้องดึงข้อมูลและสังเคราะห์จากคลังข้อมูลนั้น คะแนน 95.3 บ่งชี้ว่าโมเดลจัดการงานเหล่านี้ได้อย่างแม่นยำสูง เอาชนะโมเดลอื่นๆ จำนวนมากในเกณฑ์มาตรฐานเฉพาะนี้ ซึ่งชี้ให้เห็นถึงความสามารถในการดึงข้อมูล การใช้เหตุผล และการทำตามคำแนะนำที่แข็งแกร่งในบริบทที่ยาว อย่างไรก็ตาม คะแนนจากเกณฑ์มาตรฐานควรตีความเป็นเพียงหนึ่งในมาตรวัดประสิทธิภาพ ผลลัพธ์ในโลกจริงอาจแตกต่างกันไปตามรายละเอียดของงาน
การหน่วงเวลาสำหรับ Qwen3.6 35B A3B ได้รับผลกระทบจากสถาปัตยกรรม MoE: มีเพียง 3B พารามิเตอร์ที่ทำงานต่อโทเค็น ซึ่งโดยทั่วไปทำให้การอนุมานเร็วกว่าโมเดลแบบหนาแน่น 35B อย่างไรก็ตาม กลไกความสนใจยังคงต้องประมวลผลหน้าต่างบริบททั้งหมด ดังนั้นอินพุตที่ยาวขึ้นจะเพิ่มเวลาในการสร้างโทเค็นแรก OrcaRouter ไม่ได้เผยแพร่เกณฑ์มาตรฐานการหน่วงเวลาเฉพาะสำหรับโมเดลนี้ ในทางปฏิบัติ เวลาตอบสนองขึ้นอยู่กับโหลดคำขอ ความยาวของพรอมต์ และจำนวนโทเค็นเอาต์พุต สำหรับแอปพลิเคชันแบบเรียลไทม์ ให้ทดสอบกับอินพุตทั่วไปของคุณ สำหรับการประมวลผลแบบแบตช์ ประสิทธิภาพด้านต้นทุนของโมเดลสามารถชดเชยการหน่วงเวลาที่ยาวนานขึ้น ผู้ใช้ควรพิจารณาทั้งความเร็วและต้นทุนเมื่อเปรียบเทียบกับโมเดลแบบหนาแน่น
ผลลัพธ์การวัดประสิทธิภาพหลักที่ให้มาคือคะแนน τ²-Bench ที่ 95.3 ซึ่งบ่งชี้ถึงความสามารถในการให้เหตุผลแบบบริบทระยะยาวและการใช้เครื่องมือที่แข็งแกร่ง นี่คือจุดแข็งที่สำคัญ โมเดลแบบหลายรูปแบบ (multimodality) ยังทำให้โมเดลนี้อยู่ในตำแหน่งที่ดีสำหรับงานที่รวมข้อมูลภาพและข้อความ แม้ว่าจะไม่มีคะแนนการวัดประสิทธิภาพแยกสำหรับงานด้านภาพให้ที่นี่ จากสถาปัตยกรรม เราสามารถคาดหวังให้โมเดลทำงานได้ดีในงานที่ได้รับประโยชน์จากจำนวนพารามิเตอร์ที่มาก แต่ไม่ต้องการการกระตุ้นพารามิเตอร์ทั้งหมด การออกแบบ MoE อาจทำให้เกิดความสม่ำเสมอน้อยลงเล็กน้อยเมื่อเทียบกับโมเดลแบบหนาแน่นในงานที่แคบเฉพาะบางอย่าง แต่ก็เป็นข้อแลกเปลี่ยนที่ดีระหว่างความสามารถและต้นทุน
แม้ว่าคะแนนτ²-Bench จะสูง แต่เป็นเกณฑ์ชี้วัดเดียว ผลการดำเนินงานบนเกณฑ์ชี้วัดอื่นๆ (เช่น MMLU, MATH, การแข่งขันเขียนโค้ด) ไม่ได้ระบุไว้ โมเดลที่มีความหนาแน่นเทียบเท่า (เช่น โมเดลความหนาแน่นเต็ม 35B) อาจทำงานได้ดีกว่าในงานที่ต้องใช้พารามิเตอร์ทั้งหมดพร้อมกัน เช่น การให้เหตุผลทางคณิตศาสตร์บางประเภทหรืองานหลายภาษา นอกจากนี้ ยังรองรับอินพุตแบบหลากหลายรูปแบบ แต่คุณภาพของการทำความเข้าใจวิดีโออาจขึ้นอยู่กับการสุ่มเฟรมและการบีบอัด ความหน่วงไม่ได้ถูกวัดเกณฑ์อย่างเปิดเผย ผู้ใช้ไม่ควรถือว่าโมเดลนี้เป็นตัวเลือกที่ดีที่สุดสำหรับทุกสถานการณ์ ให้ประเมินตามกรณีการใช้งานเฉพาะของคุณเสมอ และพิจารณาทำการวัดเกณฑ์ของคุณเอง
การกำหนดราคาคิดตามจำนวนโทเค็น โดยแยกเรียกเก็บสำหรับอินพุตและเอาต์พุต ค่าใช้จ่ายอยู่ที่ $0.25 ต่อ 1 ล้านโทเค็นอินพุต และ $1.48 ต่อ 1 ล้านโทเค็นเอาต์พุต นี่คืออัตราของผู้ให้บริการ และ OrcaRouter ไม่บวกมาร์กอัปใดๆ โทเค็นอินพุตรวมถึงโทเค็นทั้งหมดในพรอมต์ รวมถึงข้อความ การแปลงรูปภาพเป็นโทเค็น และการแปลงวิดีโอเป็นโทเค็น โทเค็นเอาต์พุตคือโทเค็นทั้งหมดที่สร้างขึ้นในการตอบกลับ ไม่มีค่าธรรมเนียมเพิ่มเติมสำหรับการใช้ API ไม่มีการสมัครสมาชิกแบบรายเดือน และไม่มีข้อกำหนดการใช้งานขั้นต่ำ การเรียกเก็บเงินดำเนินการโดย OrcaRouter ตามปริมาณการใช้โทเค็น เนื่องจากมีพารามิเตอร์เพียง 3B ที่ทำงานต่อโทเค็น ต้นทุนการคำนวณสำหรับผู้ให้บริการจึงต่ำกว่าโมเดลแบบหนาแน่นที่มี 35B และส่วนต่างนี้จะถูกส่งผ่านไปยังราคา
ราคาอินพุต ($0.25/1M tokens) ค่อนข้างต่ำ ในขณะที่ราคาเอาต์พุต ($1.48/1M) สูงกว่า ซึ่งสะท้อนถึงต้นทุนในการสร้าง หากแอปพลิเคชันของคุณสร้าง tokens จำนวนมาก (เช่น บทสรุปยาว การสร้างโค้ด) ต้นทุนเอาต์พุตจะมีอิทธิพลเหนือ ในกรณีเช่นนี้ ให้พิจารณาลดความยาวของเอาต์พุตผ่านคำแนะนำ หรือใช้โมเดลที่ถูกลงสำหรับการสร้างหากคุณภาพเอื้ออำนวย ในทางกลับกัน หากคุณมีพรอมพ์ที่ยาวมากแต่เอาต์พุตสั้น ต้นทุนอินพุตจะเอื้ออำนวย สถาปัตยกรรม MoE หมายความว่าต้นทุนการอนุมานต่อ token ต่ำกว่าโมเดล dense ที่มีพารามิเตอร์รวมใกล้เคียงกัน แต่ราคาที่นี่กำหนดตามอัตราของผู้ให้บริการ คุณกำลังจ่ายเพื่อประสิทธิภาพ
OrcaRouter ไม่ได้เปิดเผยต่อสาธารณะว่ามีการรองรับ prompt caching สำหรับโมเดลนี้หรือไม่ หากมีการใช้ caching ก็จะช่วยลดต้นทุนได้โดยหลีกเลี่ยงการเข้ารหัสซ้ำของ prompt prefixes ที่เหมือนกัน อย่างไรก็ตาม ไม่มีการกล่าวถึงฟีเจอร์ดังกล่าวสำหรับโมเดลนี้โดยเฉพาะ ผู้ใช้ควรถือว่าทุกคำขอถูกเรียกเก็บในอัตราต่อ token มาตรฐาน สำหรับ prompts ที่ซ้ำกัน ควรพิจารณาจัดกลุ่มคำถามหรือใช้ prefixes ที่สั้นลงเพื่อลดการใช้ input token คุณยังสามารถตรวจสอบจำนวน token ผ่านฟิลด์ usage ใน API response เพื่อปรับต้นทุนให้เหมาะสม สำหรับการใช้งานในระดับองค์กร ติดต่อ OrcaRouter เพื่อหารือเกี่ยวกับการจัดการแบบกำหนดเองหรือการสนับสนุน caching ที่เป็นไปได้
ศูนย์กำไรส่วนเพิ่มหมายความว่า OrcaRouter คิดราคาคุณเท่ากับราคาต่อโทเค็นที่ผู้ให้บริการโมเดล (Qwen) กำหนดไว้ทุกประการ โดยไม่มีค่าธรรมเนียมแพลตฟอร์มเพิ่มเติม ค่าใช้จ่ายแอบแฝง หรือส่วนต่างกำไรใดๆ ถูกบวกเข้าไป ราคา $0.25/1M สำหรับอินพุตและ $1.48/1M สำหรับเอาต์พุตคืออัตราของผู้ให้บริการเอง นี่คือความโปร่งใสด้านราคา คุณจ่ายเฉพาะต้นทุนการอนุมานที่อยู่เบื้องหลังเท่านั้น OrcaRouter ยังคงจัดการโครงสร้างพื้นฐาน API การกำหนดเส้นทาง และการเรียกเก็บเงิน แต่ไม่คิดค่าใช้จ่ายเพิ่มเติมสำหรับบริการนั้น สิ่งนี้ทำให้ Qwen3.6 35B A3B มีความคุ้มค่ามากกว่าเมื่อเทียบกับแพลตฟอร์มอื่นๆ ที่อาจเพิ่มส่วนต่างกำไร อย่างไรก็ตาม คุณอาจยังต้องเปรียบเทียบต้นทุนรวม รวมถึงส่วนลดตามปริมาณหรือเครดิตที่ OrcaRouter เสนอแยกต่างหาก
ใช้ปลายทาง chat completions ที่เข้ากันได้กับ OpenAI ที่ https://api.orcarouter.ai/v1 ตั้งค่าพารามิเตอร์ model เป็น "qwen/qwen3.6-35b-a3b" สร้าง messages เหมือนที่คุณทำกับ OpenAI's API รวมทั้ง system message หากต้องการ และ user messages สำหรับ multimodal input ให้รวม array ของ content parts ที่มี type "text" และ "image_url" (หรือ "video_url") ตัวอย่าง (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"}}]}]}' การตอบกลับเป็นไปตามรูปแบบ OpenAI ที่มี choices, usage, ฯลฯ
พารามิเตอร์มาตรฐานของ OpenAI ที่รองรับ: temperature (0 ถึง 2, ค่าเริ่มต้น 1), top_p (0 ถึง 1, ค่าเริ่มต้น 1), max_tokens (สูงสุด 65536), stop sequences, frequency_penalty, presence_penalty และ stream สำหรับคำขอแบบ multimodal คุณสามารถส่งภาพเป็น base64 data URLs หรือ public URLs การป้อนข้อมูลวิดีโออาจต้องใช้การเข้ารหัสเฉพาะ — ตรวจสอบเอกสาร OrcaRouter พารามิเตอร์เพิ่มเติมเช่น seed เพื่อความสามารถในการทำซ้ำอาจรองรับ แต่ไม่รับประกัน โมเดลนี้ไม่รองรับ function calling หรือ tools โดยตรง อย่างไรก็ตาม คุณสามารถจำลองการเรียกใช้ tool ได้โดยการสั่งโมเดลใน system prompt สำหรับการเรียกใช้ tool แบบขนาน คุณจะต้องจัดการลูปจากภายนอก แนะนำให้ใช้ streaming สำหรับแอปพลิเคชันแบบเรียลไทม์เพื่อลด latency ที่รับรู้ได้
หากคุณคุ้นเคยกับ API ที่เข้ากันได้กับ OpenAI การย้ายระบบจะต้องเปลี่ยนเฉพาะ base URL และรหัสโมเดลเท่านั้น แทนที่ endpoint เดิมด้วย https://api.orcarouter.ai/v1 และตั้งค่าโมเดลเป็น "qwen/qwen3.6-35b-a3b" การรับรองความถูกต้องใช้คีย์ API ที่ OrcaRouter จัดหาให้ (ตั้งค่าในส่วนหัว Authorization เป็น Bearer) การจำกัดอัตราและการเรียกเก็บเงินจัดการโดย OrcaRouter สำหรับการย้ายระบบแบบ multimodal ตรวจสอบให้แน่ใจว่ารูปแบบรูปภาพ/วิดีโอของคุณตรงกับ schema ที่คาดหวัง (เข้ากันได้กับ OpenAI) รูปแบบการตอบสนองเหมือนกับ chat completions ของ OpenAI ดังนั้นโค้ดที่แยกวิเคราะห์ที่มีอยู่ของคุณควรทำงานได้โดยมีการเปลี่ยนแปลงเล็กน้อย ทดสอบด้วยคำขอเดียวเพื่อยืนยันการนับ token และความหน่วงที่ยอมรับได้
ใช่ โมเดลรองรับการสตรีมผ่านโปรโตคอล server-sent events (SSE) ที่เข้ากันได้กับ OpenAI ตั้งค่า "stream": true ในคำขอของคุณ สตรีมจะส่ง delta tokens เมื่อสร้างขึ้น เหมือนกับการสตรีมของ OpenAI รวมถึง finish_reason และข้อมูลการใช้งานในอีเวนต์สุดท้าย การสตรีมมีประโยชน์สำหรับแอปพลิเคชันแบบโต้ตอบที่คุณต้องการแสดงผลลัพธ์แบบเพิ่มทีละน้อย โปรดทราบว่าการสตรีมไม่ได้ลดต้นทุน token ทั้งหมด คุณจะถูกเรียกเก็บเงินสำหรับผลลัพธ์ทั้งหมด สถาปัตยกรรม MoE อาจสร้าง tokens ในอัตราที่สม่ำเสมอ แต่ปริมาณงานจริงขึ้นอยู่กับโหลดของเครือข่ายและเซิร์ฟเวอร์ ทดสอบการรวมระบบของคุณเพื่อให้แน่ใจว่าจัดการอีเวนต์สตรีมได้อย่างถูกต้อง
เมื่อเทียบกับ Mixtral 8x7B (โมเดล MoE ยอดนิยมที่มีพารามิเตอร์ทั้งหมด 47B, ใช้งาน 12.9B) Qwen3.6 35B A3B มีพารามิเตอร์ทั้งหมดน้อยกว่า แต่ก็มีพารามิเตอร์ที่ใช้งานน้อยกว่าเช่นกัน (3B เทียบกับ 12.9B) ทำให้มีประสิทธิภาพด้านต้นทุนต่อโทเคนมากขึ้น หน้าต่างบริบท 262K โทเคนมีขนาดใหญ่กว่าค่าเริ่มต้นของ Mixtral ที่ 32K อย่างมีนัยสำคัญ (แม้ว่า Mixtral จะสามารถขยายได้) Qwen3.6 A3B ยังรองรับการป้อนข้อมูลภาพและวิดีโอ ซึ่ง Mixtral ไม่รองรับโดยกำเนิด ในการทดสอบวัดผล Mixtral ได้คะแนนประมาณ 65-70 บน τ²-Bench? ไม่ได้ระบุไว้ แต่ Qwen ได้ 95.3 ซึ่งสูงมากสำหรับการทดสอบเฉพาะนั้น สำหรับงานข้อความสั้นๆ บริบทสั้น Mixtral อาจทำงานเทียบเท่าหรือดีกว่าในงานที่ต้องใช้เหตุผลบางอย่างเนื่องจากมีพารามิเตอร์ที่ใช้งานมากกว่า สำหรับงานบริบทยาวและงานหลายรูปแบบ Qwen3.6 A3B มีข้อได้เปรียบที่ชัดเจน
โมเดลแบบ dense ที่มีพารามิเตอร์ 35B จะต้องใช้การคำนวณต่อ token มากกว่าประมาณ 12 เท่าเมื่อเทียบกับพารามิเตอร์ที่ใช้งานจริง 3B ในโมเดล MoE นี้ Qwen3.6 A3B จึงมีข้อได้เปรียบด้านความเร็วและต้นทุนในช่วง inference โดยอาจต้องแลกกับความสม่ำเสมอที่ลดลง เนื่องจากการจัดเส้นทางผู้เชี่ยวชาญ (expert routing) อาจไม่เปิดใช้งานผู้เชี่ยวชาญที่เกี่ยวข้องมากที่สุดสำหรับทุกอินพุตเสมอไป โมเดลแบบ dense มักให้คุณภาพที่คาดเดาได้มากกว่าในงานที่หลากหลาย อย่างไรก็ตาม คะแนน τ²-Bench ชี้ให้เห็นว่าโมเดล MoE นี้สามารถแข่งขันกับโมเดลแบบ dense ในด้านการให้เหตุผลเชิงบริบทระยะยาว (long-context reasoning) หากคุณมีปริมาณงานในการผลิตที่สูงซึ่งความหน่วงและต้นทุนมีความสำคัญ แนวทางแบบ MoE ก็มีประโยชน์ สำหรับงานวิจัยที่ต้องการพฤติกรรมที่แน่นอน (deterministic) โมเดลแบบ dense อาจเป็นทางเลือกที่ดีกว่า
เลือก Qwen3.6 35B A3B เมื่อแอปพลิเคชันของคุณต้องการ: (1) การประมวลผลเอกสารที่ยาวมาก (สูงสุด 262K โทเค็น) ในครั้งเดียว (2) ความเข้าใจแบบมัลติโมดัลที่รวมถึงรูปภาพและวิดีโอ (3) ประสิทธิภาพที่แข็งแกร่งในงานที่เกี่ยวข้องกับการดึงข้อมูลและการให้เหตุผลในบริบทขนาดใหญ่ (ตามการวัดโดย τ²-Bench) และ (4) ความคุ้มค่าด้านต้นทุนจากสถาปัตยกรรม MoE ที่มีพารามิเตอร์แอคทีฟต่ำ หากงานของคุณเป็นแบบสั้น มีเฉพาะข้อความ และไม่ต้องการบริบทที่ยาว โมเดลที่ถูกกว่า เช่น โมเดลหนาแน่น 7B ก็อาจเพียงพอ สำหรับงานที่ต้องการคุณภาพสูงสุดในเกณฑ์มาตรฐานที่แคบ (เช่น ปัญหาการแข่งขันคณิตศาสตร์) โมเดลหนาแน่นที่ใหญ่กว่า (เช่น 70B) อาจมีประสิทธิภาพเหนือกว่า
ทางเลือกอื่นได้แก่โมเดล Qwen2.5 32B หรือ 72B แบบ dense หากคุณต้องการคุณภาพที่สม่ำเสมอมากขึ้นในทุกงาน สำหรับ multimodal นั้น GPT-4o หรือ Claude 3.5 Sonnet มีความเข้าใจด้านภาพที่กว้างขึ้นแต่มีค่าใช้จ่ายสูงกว่า สำหรับ throughput ที่สูงมาก โมเดล MoE ขนาดเล็กอย่าง Qwen2.5 14B A2B อาจจะถูกกว่า หากคุณต้องการ function calling หรือ tool use พร้อม structured outputs ให้พิจารณาโมเดลที่รองรับ function calling โดยตรง (เช่น GPT-4 หรือ Claude) การเลือกขึ้นอยู่กับ context length, modality, latency tolerance, และงบประมาณที่เฉพาะเจาะจงของคุณ ควรทำการประเมินด้วยตัวอย่างที่เกี่ยวข้องด้วยตนเองเสมอ
เข้ากันได้กับ OpenAI — ใช้ SDK เดิมของคุณได้เลย
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| อินพุต / 1M โทเค็น | $0.248 |
| เอาต์พุต / 1M โทเค็น | $1.485 |
| สกุลเงิน | USD |
ประมาณการจากราคาตั้ง
เป็นเพียงการประเมิน — จำนวน token จริงขึ้นอยู่กับ tokenizer ของผู้ให้บริการ
GET /api/public/models/qwen/qwen3.6-35b-a3bเปิด @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