Qwen3.6 35B-A3B — 开放权重 MoE 多模态（文本/图像/视频），总参数35B / 活跃参数3B，256k上下文。
Qwen3.6 35B A3B 是Qwen系列中的一种混合专家（MoE）大型语言模型。它包含350亿个总参数，但在每次前向传播中仅激活约30亿个参数。这种设计使得模型能够扩展容量，而不会成比例地增加计算成本。该模型可处理文本、图像和视频输入，最大上下文长度为262,144个令牌，最大输出限制为65,536个令牌。其架构针对长上下文推理和多模态理解进行了优化。该模型由Qwen团队训练，并托管在Orc…
Qwen3.6 35B A3B 在需要长上下文窗口和多模态理解的任务中表现出色，包括文档级问答、长篇幅报告摘要、扩展上下文的代码生成，以及多步骤复杂推理。该模型拥有 262,144 个 token 的上下文长度，能够处理整本书籍、大型代码库或数小时的转录视频。它在 τ²-Bench（95.3）上的优异表现表明，其在需要从长输入中检索和利用信息、调用外部工具以及跨多轮遵循指令的任务中具有强大性能。多模态输入（图像和视频）使其能够在单次提示中同时分析视觉内容与文本。
该模型支持文本、图片和视频文件形式的输入。通过OrcaRouter的API发送请求时，你可以在用户消息中包含图像数据（例如base64编码或URL）和视频文件，遵循与其他提供商相同的多模态格式。模型将文本提示与这些视觉元素联合处理，从而能够推理图表、示意图、照片或视频片段。例如，你可以要求它描述视频中的场景、从图像中提取数据，或将文本指令与视觉上下文结合。输出始终为文本。多模态输入没有单独定价——它们按相同的每token输入费率计费。
262,144个令牌的上下文窗口使得模型能够处理非常长的序列而无需截断。然而，长上下文处理可能会增加延迟和内存使用。MoE架构有助于降低成本，因为每个令牌仅激活3B参数，但完整的注意力机制仍随序列长度扩展。在相关信息分散在长输入中的任务上，Qwen3.6 35B A3B的高τ²-Bench分数表明它能有效检索和推理。对于非常长的文档，考虑采用分块策略或使用模型自身的摘要能力。对于短上下文任务，更便宜的密集模型可能更经济。
如果你的使用场景涉及短提示（少于4K Token）、简单任务（如分类或提取），或不需要多模态输入，那么更小的密集模型（如7B参数变体）可能提供更低的延迟和成本。Qwen3.6 35B A3B的每Token价格（每百万Token $0.25/$1.48）适中，但对于高吞吐量、低复杂度的任务，使用激活参数更低的模型（如1B或3B密集模型）可能更具成本效益。此外，如果你不需要长上下文或多模态能力，那么你就在为可能用不上的额外开销付费。根据你的平均提示和输出长度，针对模型优势进行评估后再做决定。
τ²-Bench是一个用于评估模型执行长上下文推理和多步骤工具使用能力的基准测试。它涉及处理大型语料库（例如文档数据库或代码库），然后回答需要从该语料库中检索和综合信息的问题。得分95.3表明该模型在这些任务上表现出了高准确度，在此特定基准测试中优于许多其他模型。这暗示了模型在长上下文条件下具备强大的检索、推理和指令遵循能力。然而，基准测试得分应视为性能的一种衡量标准；实际结果可能因具体任务而异。
Qwen3.6 35B A3B 的延迟受其 MoE 架构影响：每个 token 仅有 3B 参数处于激活状态，这通常使其推理速度快于稠密型 35B 模型。然而，注意力机制仍需处理完整的上下文窗口，因此较长的输入会增加首 token 生成时间。OrcaRouter 未公开发布该模型的具体延迟基准。实际应用中，响应时间取决于请求负载、提示词长度和输出 token 数量。对于实时应用，请使用典型输入进行测试。对于批处理场景，该模型的成本效益可抵消较长延迟带来的影响。在对比稠密模型时，用户应同时考虑速度与成本。
提供的主要基准测试结果是τ²-Bench分数为95.3，这表明其在长上下文和工具使用推理方面能力较强，这是一个关键优势领域。该模型的多模态特性也使其在处理结合视觉和文本数据的任务时具备良好定位，不过这里没有提供视觉任务的独立基准分数。基于其架构，可以预期该模型在受益于大参数规模但无需完全激活所有参数的任务上表现良好。与密集模型相比，MoE设计在某些狭窄任务上可能导致一致性稍弱，但它在性能与成本之间提供了有利的权衡。
虽然τ²-Bench分数较高，但这只是一个单独的基准测试；并未提供其他基准测试（如MMLU、MATH、编程竞赛）的性能表现。该模型的密集对应版本（例如完整的35B密集模型）在需要所有参数同时参与的任务（如某些数学推理或多语言任务）上可能表现更优。此外，多模态输入虽受支持，但视频理解的质量可能取决于帧采样和压缩。延迟方面并无公开基准测试数据。用户不应假定该模型在所有场景下都是最佳选择；务必针对您的具体用例进行评估，并考虑自行运行基准测试。
定价按 token 计算，输入和输出分别计费。输入 token 每100万收费0.25美元，输出 token 每100万收费1.48美元。这是提供商的费率，OrcaRouter 不加价。输入 token 包括提示中的所有 token，包括文本、图像 token 化和视频 token 化。输出 token 是响应中生成的所有 token。使用 API 无附加费用，无需月订阅，也无最低用量要求。计费由 OrcaRouter 根据 token 使用量处理。由于每个 token 仅激活3B参数，因此提供商的算力成本低于密集的35B模型，节省的成本已体现在定价中。
输入价格（$0.25/1M tokens）相对较低，而输出价格（$1.48/1M）较高，反映了生成成本。如果你的应用输出大量token（如长摘要、代码生成），输出成本将占主导。在这种情况下，考虑通过指令减少输出长度，或在质量允许的情况下使用更便宜的模型进行生成。相反，如果你的提示很长但输出很短，输入成本则更有利。MoE架构意味着每个token的推理成本低于类似总参数量的密集模型，但这里的定价由提供商设定；你是在为效率付费。
OrcaRouter 未公开此模型是否支持提示缓存。如果实现了缓存机制，可以通过避免重复编码相同的提示前缀来降低成本。但针对该模型，并未明确提及此类功能。用户应假设每次请求均按标准每 token 费率计费。对于重复性提示，建议合并查询或使用更短的前缀以减少输入 token 使用量。此外，可通过 API 响应中的 usage 字段监控 token 数量以优化成本。如需企业级使用，请联系 OrcaRouter 讨论可能的定制方案或缓存支持。
零加价意味着OrcaRouter向你收取与模型提供商（Qwen）设定的每token价格完全相同的费用。不添加任何额外的平台费、管理费或利润率。$0.25/百万输入和$1.48/百万输出是提供商自身的费率。这是定价上的透明化；你只需支付底层的推理成本。OrcaRouter仍会管理API基础设施、路由和计费，但不会就此服务额外收费。这使得Qwen3.6 35B A3B相比某些可能加价的平台更具经济性。不过，你仍可能需要将总成本与OrcaRouter单独提供的任何批量折扣或积分进行比较。
使用位于 https://api.orcarouter.ai/v1 的 OpenAI 兼容聊天补全端点。将模型参数设置为 "qwen/qwen3.6-35b-a3b"。按照 OpenAI API 的方式构建消息，如果需要可包含系统消息和用户消息。对于多模态输入，包含一个包含类型为 "text" 和 "image_url"（或 "video_url"）的内容部分数组。示例（伪代码）：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":"描述这张图片"},{"type":"image_url","image_url":{"url":"https://example.com/photo.jpg"}}]}]}'。返回格式遵循 OpenAI 格式，包含 choices、usage 等。
支持标准的OpenAI参数：temperature（0到2，默认1）、top_p（0到1，默认1）、max_tokens（最大65536）、停止序列、频率惩罚、存在惩罚以及流式传输。对于多模态请求，你可以通过base64数据URL或公共URL传递图像。视频输入可能需要特定编码——请查阅OrcaRouter文档。其他参数如用于可重复性的种子可能受支持但不保证。该模型不原生支持函数调用或工具；不过，你可以在系统提示中通过指令来模拟工具调用。对于并行工具调用，你需要外部管理循环。推荐在实时应用中使用流式传输以减少感知延迟。
如果你已习惯使用兼容OpenAI的API，迁移只需更改基础URL和模型ID。将现有端点替换为https://api.orcarouter.ai/v1，并将模型设置为"qwen/qwen3.6-35b-a3b"。认证使用OrcaRouter提供的API密钥（在Authorization头中设置为Bearer）。速率限制和计费由OrcaRouter管理。对于多模态迁移，请确保你的图像/视频格式符合预期模式（兼容OpenAI）。响应格式与OpenAI的聊天补全完全相同，因此你现有的解析代码只需极少的更改即可使用。通过单个请求测试，确认token计数和延迟可接受。
是的，该模型支持通过兼容 OpenAI 的服务器发送事件（SSE）协议进行流式传输。在请求中设置 "stream": true。流会在生成时发出 delta tokens，与 OpenAI 的流式传输完全一致，包括最终事件中的 finish_reason 和 usage 信息。流式传输适用于需要逐步显示输出的交互式应用。请注意，流式传输不会降低总 token 成本；您需要为完整输出付费。MoE 架构可能以稳定速率生成 token，但实际吞吐量取决于网络和服务器负载。请测试您的集成以确保正确处理流事件。
与Mixtral 8x7B（一款流行的MoE模型，总参数量47B，活跃参数量12.9B）相比，Qwen3.6 35B A3B的总参数量更少，活跃参数量也更少（3B对比12.9B）。这使得其在每token处理上可能更具成本效益。262K token的上下文窗口显著大于Mixtral默认的32K（尽管Mixtral可以扩展）。Qwen3.6 A3B还支持图像和视频输入，而Mixtral原生不支持。在基准测试中，Mixtral在τ²-Bench上的得分约为65-70？未提供；但Qwen在该特定基准上的95.3分非常高。对于短上下文、纯文本任务，Mixtral由于活跃参数量更多，在某些推理任务中可能表现相当或更优。而对于长上下文和多模态任务，Qwen3.6 A3B具有明显优势。
一个稠密的35B参数模型，每个token所需的计算量大约是此MoE模型中3B活跃参数的12倍。因此，Qwen3.6 A3B在推理时具有速度和成本优势，但可能以牺牲一定的一致性为代价，因为专家路由并不总能针对每个输入激活最相关的专家。稠密模型通常在多样化任务上表现更可预测的质量。然而，τ²-Bench得分表明，此MoE模型在长上下文推理方面可与稠密模型竞争。如果你的生产工作负载对延迟和成本要求极高，MoE方法更有利。而对于需要确定性行为的研究，稠密模型可能更合适。
当您的应用需要以下条件时，请选择 Qwen3.6 35B A3B：（1）单次处理超长文档（最高262K tokens），（2）包含图像和视频的多模态理解，（3）在涉及大范围上下文检索与推理的任务中表现强劲（以τ²-Bench衡量），以及（4）通过低激活参数的MoE架构实现成本效益。如果您的任务是短文本、纯文本且不要求长上下文，则像7B密集模型这样更便宜的模型可能就足够了。对于需要在狭窄基准（如数学竞赛题）上达到最高质量的任务，更大的密集模型（如70B）可能表现更优。
替代方案包括密集型的Qwen2.5 32B或72B模型，如果你需要跨所有任务保持更一致的品质。对于多模态，GPT-4o或Claude 3.5 Sonnet提供更广泛的视觉理解，但成本更高。对于极高吞吐量，较小的MoE模型如Qwen2.5 14B A2B可能更便宜。如果你需要函数调用或使用结构化输出的工具使用，考虑具有原生函数调用支持的模型（例如GPT-4或Claude）。最终选择取决于你对上下文长度、模态、延迟容忍度和预算的具体组合。始终使用代表性示例运行你自己的评估。
兼容 OpenAI——沿用你现有的 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| 输入 / 1M tokens | $0.248 |
| 输出 / 1M tokens | $1.485 |
| 货币 | USD |
基于标价的估算
仅为估算——实际 Token 数取决于提供商的分词器。
@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