Qwen3.5除夕夜空降：3970亿参数只激活170亿，重新定义效率天花板

2月16日除夕，阿里通义千问团队发布Qwen3.5系列及首款开放权重模型Qwen3.5-397B-A17B。

这是一次真正的架构代际跃迁：总参数3970亿但每次推理仅激活170亿，解码吞吐最高达上代19倍，且首次实现原生视觉-语言融合训练。

Qwen3.5最根本的变化发生在架构层面。

它采用全新的混合架构，将线性注意力Gated DeltaNet与稀疏MoE深度结合——75%的层使用线性注意力实现O(n)复杂度，25%保留标准注意力确保推理精度。

官方数据显示，Qwen3.5-397B-A17B在32K上下文下解码吞吐是Qwen3-Max的8.6倍，256K长上下文场景更达到19倍。用阿里自己的话说，这是"用小模型的成本跑出大模型的效果"。

各项数据指标的详细对比。

与Qwen3最大的区别在于"原生"二字。

Qwen3.5从预训练阶段就实现了文本与视觉的早期融合（"early fusion training on trillions of multimodal tokens"，即在万亿级多模态token上进行早期融合训练），上下文窗口扩展至1M tokens，可直接处理长达两小时的视频内容。它能将手绘草图转化为前端代码，对游戏视频进行逻辑还原，也能将长视频自动提炼为结构化网页。视觉不再是后天拼接的附属模块，而是与语言并行的核心能力。

Agent能力的提升同样值得关注。

这一代的核心突破来自强化学习环境的全面扩展——阿里不再针对单一基准做优化，而是追求真实场景下的泛化。作为代码智能体，Qwen3.5能驱动网页开发、与OpenClaw集成完成复杂编程；作为视觉智能体，它可自主操控手机和电脑执行跨应用多步骤自动化流程。在BFCL-V4、VITA-Bench等多项Agent基准上，模型效果随RL环境规模的扩大持续攀升。

基础设施层面，Qwen3.5采用原生FP8训练流水线与异步强化学习框架，实现约50%的显存降低与3到5倍端到端加速。

多语言支持也从119种扩至201种语言和方言，词表从15万扩至25万，多数语言编解码效率提升10%到60%。

Qwen3.5的野心已经非常清晰——不做更大的模型，做更聪明的智能体。

从任务型助手进化为能长期自主运行的数字伙伴，这是通往通用智能体的关键一步。