Qwen3.6 35B-A3B — 開放權重 MoE 多模態（文字/圖片/影片），總參數 35B / 活躍參數 3B，語境長度 256k。
Qwen3.6 35B A3B 是 Qwen 系列中的一個混合專家（MoE）大型語言模型。它總共有 350 億個參數，但在每次前向傳播中僅約有 30 億個被激活。這種設計讓模型能夠擴展容量，而不會比例性地增加計算成本。該模型可處理文字、圖像和影片輸入，最大上下文長度為 262,144 個 token，最大輸出限制為 65,536 個…
Qwen3.6 35B A3B 擅長處理需要長上下文視窗與多模態理解的任務，包括文件層級的問答、長篇報告摘要、具備延伸上下文的程式碼生成，以及多步驟的複雜推理。該模型的 262,144 個 token 上下文長度，使其能夠讀取整本書籍、大型程式碼庫或數小時的轉錄影片。其在 τ²-Bench（95.3）上的表現顯示，在需要從長輸入中檢索並運用資訊、呼叫外部工具，以及跨多輪遵循指示的任務中，具備優異性能。多模態輸入——圖片與影片——則能在單一提示中，同時分析視覺內容與文字。
該模型支援文字、圖片和影片檔案形式的輸入。透過 OrcaRouter 的 API 傳送請求時，您可以將圖像資料（例如 base64 編碼或 URL）和影片檔案包含在使用者訊息中，遵循其他提供者使用的相同多模態格式。模型會將這些視覺元素與文字提示共同處理，使其能夠對圖表、示意圖、照片或影片片段進行推理。例如，您可以要求它描述影片中的場景、從圖片中提取資料，或將文字指令與視覺上下文結合。輸出始終為文字。多模態輸入沒有單獨的定價——它們按相同的每 token 輸入費率計費。
262,144 個 token 的上下文視窗允許模型處理極長序列而不需截斷。然而，長上下文處理可能增加延遲與記憶體使用量。MoE 架構有助於降低成本，因為每個 token 僅有 3B 參數活躍，但完整注意力機制仍會隨序列長度擴展。在相關資訊分散於長輸入的任務中，Qwen3.6 35B A3B 的高 τ²-Bench 分數顯示其能有效檢索與推理。針對極長文件，可考慮分塊策略或運用模型自身的摘要能力。對於上下文較短的任務，較便宜、稠密的模型可能更具經濟效益。
如果您的使用場景涉及短提示（少於4K token）、簡單任務（如分類或提取），或不需要多模態輸入，那麼較小且密集的模型（例如7B參數變體）可能提供更低的延遲和成本。Qwen3.6 35B A3B的每token價格（每百萬token $0.25/$1.48）較為適中，但對於高量、低複雜度的工作負載，具有更低活躍參數的模型（例如1B或3B密集模型）可能更具成本效益。此外，如果您不需要長上下文或多模態功能，您可能正在為不需要的開銷付費。請根據模型的優勢來評估您的平均提示和輸出長度，以做出決定。
τ²-Bench 是一個基準測試，評估模型在長上下文推理與多步驟工具使用方面的能力。它需要處理大型語料庫（例如文件資料庫或程式碼庫），然後回答需要從該語料庫中檢索與綜合資訊的問題。95.3 的分數表示該模型以高準確度成功處理這些任務，在此特定基準測試中超越了許多其他模型。這顯示出模型在擴展上下文方面具備強大的檢索、推理與遵循指示能力。然而，基準測試分數應被視為一項效能衡量指標；實際結果可能因任務具體情況而異。
Qwen3.6 35B A3B 的延遲受其 MoE 架構影響：每個 Token 僅有 3B 的參數處於活躍狀態，通常能比密集的 35B 模型實現更快的推理速度。然而，注意力機制仍需處理完整的上下文視窗，因此較長的輸入會增加首個 Token 的生成時間。OrcaRouter 並未發布該模型的具體延遲基準數據。在實務中，回應時間取決於請求負載、提示詞長度以及輸出 Token 數量。對於即時應用，請使用您的典型輸入進行測試。對於批次處理，模型的成本效益可抵消較長的延遲。用戶在與密集模型進行比較時，應同時考量速度與成本。
提供的主要基準測試結果是 τ²‑Bench 分數 95.3，這表明其具備強大的長上下文與工具使用推理能力。這是一個關鍵優勢領域。該模型的多模態特性也使其在結合視覺與文字資料的任務中表現良好，儘管此處未提供視覺任務的單獨基準分數。根據架構，可以預期該模型在受益於大量參數但不需完全激活所有參數的任務上表現優異。MoE 設計可能在某些狹窄任務上導致與密集模型相比一致性略低，但它在能力與成本之間提供了有利的權衡。
雖然 τ²-Bench 的分數很高，但它只是一項基準測試；其他基準測試（如 MMLU、MATH、程式競賽）的表現並未提供。該模型的密集對應版本（例如完整的 35B 密集模型）在需要同時調用所有參數的任務上可能表現更佳，例如某些數學推理或多語言任務。此外，雖然支援多模態輸入，但影片理解的品質可能取決於幀採樣與壓縮。延遲未經公開基準測試。使用者不應假設該模型在所有場景下都是最佳選擇；務必根據您的具體使用情境進行評估，並考慮自行執行基準測試。
價格按每個 token 計算，輸入和輸出分別計費。成本為每 100 萬個輸入 token 0.25 美元，每 100 萬個輸出 token 1.48 美元。這些是提供商的費率，OrcaRouter 不收取任何加價。輸入 token 包括提示中的所有 token，包括文字、圖像標記化和影片標記化。輸出 token 是回應中生成的所有 token。使用 API 無需支付額外費用，無需月付訂閱，也無最低用量要求。計費由 OrcaRouter 依據 token 用量處理。由於每個 token 僅有 3B 參數活躍，提供商的計算成本低於密集的 35B 模型，而這項節省也反映在定價中。
輸入價格（$0.25/1M tokens）相對較低，而輸出價格（$1.48/1M）較高，反映出生成的成本。如果你的應用程式輸出大量 token（例如長篇摘要、程式碼生成），輸出成本將佔主導地位。在這種情況下，考慮透過指令減少輸出長度，或在品質允許的情況下使用更便宜的模型進行生成。反之，如果你的提示詞很長但輸出很短，則輸入成本較為有利。MoE 架構意味著每個 token 的推理成本低於具有相似總參數量的密集模型，但此處的定價是由供應商決定的；你是在為效率付費。
OrcaRouter 並未公開表示此模型是否支援提示快取（prompt caching）。若實作快取功能，可透過避免重新編碼相同提示前綴來降低費用。然而，針對此模型並未提及此類功能。使用者應假設每次請求皆按標準每 token 費率計費。對於重複性提示，建議將查詢分組或使用較短前綴以減少輸入 token 用量。您亦可透過 API 回應中的 usage 欄位監控 token 數量來最佳化成本。若為企業級用量，請聯絡 OrcaRouter 以討論潛在的自訂安排或快取支援。
零加成表示 OrcaRouter 向您收取與模型提供者 (Qwen) 設定的每 Token 價格完全相同。不添加任何平台費用、間接成本或利潤空間。每百萬輸入 Token 0.25 美元和每百萬輸出 Token 1.48 美元是提供者自己的費率。這是價格透明化；您只需支付底層的推論成本。OrcaRouter 仍然管理 API 基礎設施、路由和計費，但不會為該服務額外收費。這使得 Qwen3.6 35B A3B 相比其他可能加價的平台更具經濟效益。然而，您可能仍需要比較總成本，包括 OrcaRouter 另行提供的任何批量折扣或信用額度。
使用在 https://api.orcarouter.ai/v1 的 OpenAI 相容聊天補全端點。將模型參數設定為 "qwen/qwen3.6-35b-a3b"。建構訊息的方式與 OpenAI API 相同，可依需求包含系統訊息和使用者訊息。對於多模態輸入，請包含一個內容部分陣列，其類型為 "text" 和 "image_url"（或 "video_url"）。範例（虛擬碼）：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"}}]}]}'。回應遵循 OpenAI 格式，包含 choices、usage 等。
標準 OpenAI 參數支援：temperature（0 到 2，預設值 1）、top_p（0 到 1，預設值 1）、max_tokens（最多 65536）、停止序列、frequency_penalty、presence_penalty 以及串流。對於多模態請求，您可以將圖片作為 base64 數據 URL 或公有 URL 傳遞。影片輸入可能需要特定編碼——請參閱 OrcaRouter 文件。其他參數如 seed 以實現可重現性可能支援但不保證。此模型不原生支援函數呼叫或工具；但您可以透過在系統提示詞中指示模型來模擬工具呼叫。若要進行平行工具呼叫，您需要在外部管理迴圈。建議在即時應用中使用串流以減少感知延遲。
如果你習慣使用 OpenAI 相容的 API，遷移只需要更改基礎網址和模型 ID。將現有的端點替換為 https://api.orcarouter.ai/v1，並將模型設定為 "qwen/qwen3.6-35b-a3b"。驗證使用 OrcaRouter 提供的 API 金鑰（在 Authorization 標頭中設定為 Bearer）。速率限制和計費由 OrcaRouter 管理。對於多模態遷移，請確保你的圖片/影片格式符合預期的架構（OpenAI 相容）。回應格式與 OpenAI 的聊天完成相同，因此現有的解析程式碼應該只需少量更改即可運作。用一個請求進行測試，以確認 token 計數和延遲是可接受的。
是的，模型支援透過 OpenAI 相容的伺服器傳送事件（SSE）協定進行串流。在請求中設定 "stream": true 即可。串流會在生成過程中發出增量令牌，與 OpenAI 的串流機制完全相同，並在最後一個事件中包含 finish_reason 與 usage 資訊。串流適用於需要逐步顯示輸出的互動式應用程式。請注意，串流並不會降低總令牌成本；您仍需支付完整輸出的費用。MoE 架構可能以一致的速率產生令牌，但實際吞吐量取決於網路與伺服器負載。請測試您的整合以確保能正確處理串流事件。
相較於 Mixtral 8x7B（一款受歡迎的 MoE 模型，總參數 470 億，活躍參數 129 億），Qwen3.6 35B A3B 的總參數較少，活躍參數也更少（30 億 vs 129 億），這使得它在每個 token 上可能更具成本效益。262K token 的上下文窗口遠大於 Mixtral 預設的 32K（雖然 Mixtral 可擴展）。Qwen3.6 A3B 還支援圖片和影片輸入，這是 Mixtral 原生不支援的。在基準測試中，Mixtral 在 τ²-Bench 上得分約 65-70？未提供；但 Qwen 在該特定基準上達到 95.3 分，非常高。對於短上下文、純文字任務，Mixtral 由於活躍參數較多，在某些推理任務上表現可能相當或更好。對於長上下文和多模態任務，Qwen3.6 A3B 則有明顯優勢。
一個密集的350億參數模型，每個token所需的計算量大約是這個MoE模型中30億活躍參數的12倍。因此，Qwen3.6 A3B在推理時具有速度和成本優勢，但可能以犧牲部分一致性為代價，因為專家路由不一定能為每個輸入啟動最相關的專家。密集模型在各種任務上通常能達到更可預測的品質。然而，τ²-Bench分數顯示，這個MoE模型在長上下文推理上能與密集模型競爭。如果你的高流量生產工作負載對延遲和成本非常敏感，那麼MoE方法會更有利。對於需要確定性行為的研究，密集模型可能更為可取。
當您的應用需要以下條件時，請選擇 Qwen3.6 35B A3B：(1) 一次處理非常長的文件（最多 262K 個 token），(2) 包含圖片和影片的多模態理解，(3) 在涉及檢索和推理大型上下文的任務上有強勁表現（以 τ²-Bench 衡量），以及 (4) 來自低活躍參數 MoE 架構的成本效率。如果您的任務是短格式、純文字，且不需要長上下文，那麼像 7B 密集模型這樣的更便宜模型可能就足夠了。對於需要在狹窄基準測試（例如數學競賽問題）上達到最高品質的任務，較大的密集模型（例如 70B）可能表現更佳。
如果需要跨所有任務更一致的品質，可選擇密集型的 Qwen2.5 32B 或 72B 模型。多模態方面，GPT-4o 或 Claude 3.5 Sonnet 提供更廣泛的視覺理解能力，但成本較高。若追求極高吞吐量，較小的 MoE 模型如 Qwen2.5 14B A2B 可能更經濟。若需要函式呼叫或工具使用並搭配結構化輸出，請考慮原生支援函式呼叫的模型（如 GPT-4 或 Claude）。最終選擇取決於您具體的情境長度、模態、延遲容忍度與預算組合。務必使用具代表性的樣本進行自身評估。
相容 OpenAI——沿用你現有的 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| 輸入 / 1M tokens | $0.248 |
| 輸出 / 1M tokens | $1.485 |
| 貨幣 | USD |
基於標價的估算
僅為估算——實際 Token 數取決於供應商的分詞器。
@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