本文作者：莫潇羽@无忆研习社（www.wuyi.wiki）
转载请注明出处，未经授权禁止搬运。
快速摘要
Qwen 3.5-Plus 是阿里通义千问团队推出的新一代开源大模型，总参数量高达 3970 亿，但推理时仅激活 170 亿参数。 它的核心创新在于采用了 Qwen3-Next 架构——融合 Gated DeltaNet 线性注意力与稀疏混合专家（MoE）机制，实现了原生多模态理解。在多项基准测试中，该模型性能超越了万亿参数的 Qwen3-Max，同时部署显存占用降低 60%，最大推理吞吐量可提升至 19 倍。更重要的是，它将支持语言从 119 种扩展到 201 种，成为名副其实的"世界模型"。往下看，莫潇羽带你从架构原理到部署实操，一步步拆解这个模型的所有技术细节。
为什么 Qwen 3.5-Plus 值得关注
过去一两年，大模型领域的迭代速度令人咋舌。从最初的百亿参数到后来的千亿、万亿参数竞赛，开发者面临的核心矛盾始终是——模型能力越强，部署和推理的成本就越高。一个万亿参数的模型固然强大，但动辄需要几十张顶级 GPU 才能跑起来，这对绝大多数团队和个人开发者来说都是可望而不可即的。
Qwen 3.5-Plus 的出现，恰恰试图打破这一僵局。它并不是简单地堆叠参数，而是通过一系列底层架构的革新，在保持顶级性能的同时，把实际的计算开销压缩到了一个相当"亲民"的水平。更关键的是，这次更新没有任何预热，没有搞发布会，阿里直接在千问官方平台上线了两款新模型——Qwen3.5-Plus 和 Qwen3.5-397B-A17B，前者是 API 服务版本，后者是开源旗舰版本。这种低调而又底气十足的发布方式，本身就说明了团队对产品技术实力的自信。
对于开发者和技术爱好者来说，理解它背后的技术原理，不仅能帮助我们更好地使用这个模型，也能让我们对当前大模型的发展方向有更清晰的认识。而对于正在做应用开发的团队来说，Qwen 3.5-Plus 带来的性价比提升，可能会直接改变你的技术选型和成本计算方式。
莫潇羽@无忆研习社之前拆解过不少开源大模型项目，坦白讲，Qwen 3.5-Plus 在架构设计上的创新幅度是相当大的，从底层的注意力机制到上层的多模态融合策略，几乎每一层都做了重新设计。接下来，我会从技术架构、能力分析到部署实操，尽量详细地为大家拆解这个模型的方方面面。
发布背景与行业竞争格局
要理解 Qwen 3.5-Plus 的定位，我们有必要简单梳理一下当前大模型领域的竞争格局。在 DeepSeek R1 引发全球关注之后，国内各大厂商的大模型迭代明显加速了。百度发布了文心 4.5，字节推出了豆包系列的持续更新，阿里则在千问系列上保持了极高的迭代频率——从 Qwen2.5 到 Qwen3、Qwen3-VL、Qwen3-Omni，再到现在的 Qwen 3.5 系列。
在这场竞赛中，大家逐渐意识到一个趋势：单纯比拼参数规模的时代正在过去，比拼的焦点正在转向架构效率、多模态能力和实际应用中的性价比。 Qwen 3.5-Plus 正是在这个背景下诞生的——它的目标不是做"最大"的模型，而是做"最高效"的模型。
特别值得一提的是，阿里团队这次的技术路线选择非常务实。他们没有去追求万亿参数的噱头，而是在混合注意力机制、超稀疏 MoE 和原生多模态这三个方向上深耕，最终做出了一个"参数看起来很大、实际跑起来很轻"的模型。这种技术取舍本身就很有参考价值。
架构全景：Qwen3-Next 到底做了什么
Qwen 3.5-Plus 的底层架构叫做 Qwen3-Next，这是阿里通义千问团队在 Qwen3 基础上的一次全面革新。要理解 Qwen 3.5-Plus 为什么能"以小博大"，我们需要把它的架构拆开来看。
混合注意力机制：Gated DeltaNet + Gated Attention
传统的 Transformer 模型使用标准的 Softmax 注意力机制。这种机制的计算复杂度是 (O(n^2))，其中 (n) 是序列长度。也就是说，当你把上下文窗口从 4K 扩展到 256K 时，计算量会呈平方级别增长，这在实际部署中是一个巨大的瓶颈。
Qwen3-Next 的解决方案是引入 混合注意力机制，具体来说就是按 3:1 的比例 交替使用两种不同的注意力层：
- Gated DeltaNet（线性注意力）：占 75% 的层数。这是一种从 Mamba2 的门控衰减机制演化而来的线性注意力变体，计算复杂度为 (O(n))，也就是随序列长度线性增长。它通过维护一个隐藏状态（类似循环神经网络的记忆机制），使用"增量规则"（Delta Rule）来更新这个状态，从而避免了对所有 token 对进行逐一计算。
- Gated Attention（标准注意力 + 门控）：占 25% 的层数。这些层保留了标准的 Softmax 注意力计算，但在注意力输出后增加了一个 Sigmoid 门控单元。这个门控机制的作用是动态调节注意力输出的强度，有效缓解了训练过程中可能出现的"注意力沉没"（Attention Sink）和"巨量激活"（Massive Activation）等数值稳定性问题。
用一个不太精确但比较直观的比方来说：Gated DeltaNet 负责"快速浏览"——高效地处理大量上下文信息；Gated Attention 负责"精读"——在关键位置进行精确的信息检索和推理。两者结合，既保证了长上下文处理的效率，又不牺牲推理精度。
这种混合架构的设计并非阿里独创，但 Qwen3-Next 是目前将其推向大规模生产级应用的最成功案例之一。在此之前，业界虽然有不少线性注意力的学术探索（比如 Mamba 系列、RetNet 等），但真正在千亿参数级别的模型上验证这种混合方案可行性的，Qwen3-Next 是走在前面的。后来月之暗面的 Kimi Linear 也采用了类似的混合策略，进一步验证了这条技术路线的正确性。
另外值得一提的是，Qwen3-Next 在训练稳定性方面做了不少工作。大模型训练中最头疼的问题之一就是"训练崩溃"——当模型规模达到千亿参数级别时，训练过程中的数值不稳定可能导致损失函数突然飙升，之前的训练成果付之东流。Qwen3-Next 通过以下几种方式来缓解这个问题：一是使用 Zero-Centered RMSNorm（零中心化的均方根归一化），相比标准的 RMSNorm 能够提供更好的梯度流动和更稳定的训练动态；二是前面提到的门控机制（无论是 Gated DeltaNet 中的遗忘门还是 Gated Attention 中的输出门），都有助于控制信息流的幅度，防止梯度爆炸；三是在 RoPE 位置编码的应用上采用了部分应用的策略，避免了全维度 RoPE 在超长序列上可能带来的数值问题。
这些看似"细枝末节"的优化，对于最终模型的训练成本和质量有着至关重要的影响。在大模型开发中，训练一次的成本动辄数百万甚至上千万元人民币，任何能减少训练失败概率的技术手段都具有巨大的经济价值。
为了帮助大家更直观地理解这种混合架构的工作方式，莫潇羽画了一个简化的结构示意：
输入序列
│
▼
┌─────────────────────┐
│ Embedding Layer │
└─────────┬───────────┘
│
▼
┌─────────────────────┐ ← Layer 1: Gated DeltaNet (线性注意力)
│ GDN + MoE FFN │
└─────────┬───────────┘
▼
┌─────────────────────┐ ← Layer 2: Gated DeltaNet (线性注意力)
│ GDN + MoE FFN │
└─────────┬───────────┘
▼
┌─────────────────────┐ ← Layer 3: Gated DeltaNet (线性注意力)
│ GDN + MoE FFN │
└─────────┬───────────┘
▼
┌─────────────────────┐ ← Layer 4: Gated Attention (标准注意力+门控)
│ GA + MoE FFN │
└─────────┬───────────┘
▼
... (重复 3:1 模式)
│
▼
┌─────────────────────┐
│ Output Head │
└─────────────────────┘在上面这个示意图中，每 4 层中有 3 层使用 Gated DeltaNet，1 层使用 Gated Attention。整个模型大约有 48 个 Transformer Block，按照这个比例交替排列。
Gated DeltaNet 的核心原理
既然 Gated DeltaNet 占了 75% 的层数，我们有必要多聊聊它的工作原理。无忆研习社（www.wuyi.wiki）的读者中有不少对底层原理感兴趣的朋友，这里莫潇羽尝试用尽量通俗的方式来解释。
传统注意力的核心公式是：
[
\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V
]
其中 (Q)、(K)、(V) 分别是查询（Query）、键（Key）、值（Value）矩阵，(d_k) 是键的维度。这个公式要求计算 (QK^T)，对于长度为 (n) 的序列，这是一个 (n \times n) 的矩阵运算，所以复杂度是 (O(n^2))。
Gated DeltaNet 换了一种思路。它不再逐对计算 token 之间的注意力分数，而是维护一个 隐藏状态矩阵 (S)，每处理一个新的 token，就用"增量规则"（Delta Rule）来更新这个状态：
对于每个新 token t:
1. 计算门控信号 α（用 Sigmoid 激活，控制遗忘程度）
2. 计算增量 Δ = β * (v_t ⊗ k_t - S · k_t ⊗ k_t)
3. 更新隐藏状态 S_new = α * S + Δ
4. 输出 o_t = S_new · q_t这里的关键在于，每次更新只涉及当前 token 和隐藏状态之间的运算，不需要回顾所有历史 token，所以计算复杂度是 (O(n))——线性的。
门控信号 (\alpha) 的作用类似于 LSTM 中的遗忘门：它决定了模型应该"记住"多少旧信息、"写入"多少新信息。这个机制借鉴了 Mamba2 的设计思想，可以看作是把循环神经网络的记忆能力和 Transformer 的并行计算能力做了一次融合。
标准注意力层的优化
剩下 25% 的标准注意力层也不是简单照搬的。Qwen3-Next 对这些层做了三项重要优化：
- 输出门控机制：在注意力输出后增加 Sigmoid 门控，动态调节输出强度，解决数值不稳定问题。
- 扩展头维度：将每个注意力头的维度从 128 提升到 256，增强单个头的信息表达能力。
- 部分旋转位置编码（Partial RoPE）：仅对注意力头的前 25% 维度应用旋转位置编码，这种非对称设计被验证可以提升模型在超出训练长度时的外推性能。
极致稀疏 MoE：用 4% 的参数跑出接近 100% 的智力
如果说混合注意力解决的是"上下文处理效率"的问题，那么 极致稀疏的 MoE（Mixture of Experts，混合专家）架构 解决的就是"模型容量与计算成本解耦"的问题。
什么是 MoE
MoE 的核心思想可以用一个比喻来说明：假设你有一个 500 人的专家顾问团，但每次遇到一个具体问题时，你只需要找其中最合适的几位专家来解答。你拥有 500 人的知识储备，但每次只付几个人的咨询费。
在模型架构中，MoE 把传统 Transformer 中的前馈网络（FFN）替换成了多个"专家"子网络。每个 token 在通过 FFN 层时，会经过一个路由器（Router）来决定激活哪几个专家。
Qwen 3.5-Plus 的 MoE 参数
Qwen 3.5-Plus 的 MoE 设计达到了一个相当极致的稀疏程度：
┌──────────────────────────────────────┐
│ Qwen 3.5-Plus MoE 参数 │
├──────────────────────────────────────┤
│ 总参数量 │ 3970 亿 (397B) │
│ 激活参数量 │ 170 亿 (17B) │
│ 激活比例 │ 约 4.3% │
│ 支持语言 │ 201 种语言/方言 │
│ 词表大小 │ 25 万 │
│ 上下文长度 │ 原生支持 256K │
└──────────────────────────────────────┘也就是说，每次推理只有大约 4.3% 的参数被激活。这意味着你用跑 20B 左右模型的算力成本，就能获得接近 400B 模型的智力水平。
对比之前的 Qwen3-235B-A22B（总参数 235B，激活 22B，激活比例约 9.4%），Qwen 3.5-Plus 进一步把激活比例压缩了一半还多，稀疏程度更高，推理效率自然也就更高。
路由机制的工作方式
MoE 架构中最关键的组件之一就是路由器。它的职责是根据输入 token 的特征，选择最合适的专家来处理。Qwen3-Next 采用了 Top-K 路由策略，整个流程大致如下：
# 路由机制伪代码（简化版）
def moe_forward(token_embedding, experts, router, top_k=2):
# 1. 路由器计算每个专家的得分
scores = router(token_embedding) # shape: [num_experts]
# 2. 选择得分最高的 top_k 个专家
top_k_indices = topk(scores, k=top_k)
top_k_weights = softmax(scores[top_k_indices])
# 3. 只激活被选中的专家进行计算
output = 0
for i, idx in enumerate(top_k_indices):
expert_output = experts[idx](token_embedding)
output += top_k_weights[i] * expert_output
# 4. 加上共享专家的输出（所有 token 都会经过共享专家）
shared_output = shared_expert(token_embedding)
output += shared_output
return output这里有几个值得注意的要点：
- Top-K 选择：每个 token 只激活 K 个专家（通常是 2 个路由专家 + 1 个共享专家）。
- 共享专家：除了被路由选中的专家外，还有一个"共享专家"始终参与计算。共享专家的作用是处理通用任务，确保模型不会因为路由不当而"漏掉"重要信息。
- 负载均衡：在训练过程中需要确保各专家被均匀利用，避免某些专家被过度激活而其他专家"闲置"。
与 DeepSeek V3 MoE 的对比
很多朋友可能会拿 Qwen 3.5-Plus 的 MoE 和 DeepSeek V3 做对比。这里莫潇羽@无忆研习社整理了一个简要的参数对比：
Qwen 3.5-Plus DeepSeek V3 Qwen3-235B-A22B
总参数量 397B 671B 235B
激活参数量 17B ~37B 22B
激活比例 ~4.3% ~5.5% ~9.4%
上下文长度(原生) 256K 128K 128K (YaRN 扩展)
注意力类型 混合(GDN+GA) 标准 MHA+MLA 标准 MHA
支持语言 201 -- 119从这个对比可以看出，Qwen 3.5-Plus 在稀疏程度上更加激进，而且通过混合注意力机制解决了长上下文处理的效率问题，不需要像之前那样依赖 YaRN 等位置编码外推技术。
多 Token 预测（MTP）技术
除了混合注意力和超稀疏 MoE 之外，Qwen3-Next 架构还引入了一项重要的推理加速技术——多 Token 预测（Multi-Token Prediction, MTP）。
传统的自回归语言模型，每一步只能预测一个 token，然后把这个 token 的信息传递到下一步，再预测下一个 token。这种"一步一个 token"的方式，决定了生成速度的上限——不管你的 GPU 有多快，每一步都要等上一步完成。
MTP 的思路是：在每一步推理中，同时预测多个后续 token。具体来说，Qwen3-Next 在模型主干之外增加了一个轻量级的 Transformer 模块，专门负责在主模型预测出一个 token 之后，快速预测接下来的几个 token。如果这些预测是正确的，就可以直接跳过这些步骤，从而实现 3~5 倍的生成吞吐量提升。
这个技术在学术上叫做"推测解码"（Speculative Decoding），Qwen3-Next 的创新之处在于，他们把 MTP 模块和主模型的训练进行了对齐，使得推测解码的"接受率"（即预测正确的比例）更高，实际加速效果也就更明显。
传统自回归生成:
step 1: 预测 token_1
step 2: 预测 token_2
step 3: 预测 token_3
step 4: 预测 token_4
→ 共 4 步
MTP 推测解码:
step 1: 预测 token_1, 同时推测 token_2, token_3
验证: token_2 ✓, token_3 ✓
step 2: 预测 token_4, 同时推测 token_5, token_6
→ 1 步完成原来 3 步的工作对于开发者来说，MTP 的好处是"开箱即用"的——你不需要修改任何应用代码，只要在部署框架（如 vLLM）中开启 MTP 配置，就能自动获得加速效果。这一点非常友好。
训练数据与训练策略
了解一个模型的能力上限，不能只看架构，还要看它"吃"了什么数据、怎么训练的。根据阿里官方披露的信息，Qwen 3.5 系列的训练数据和策略有以下几个值得注意的特点：
更大规模的多模态预训练语料：Qwen 3.5 在预训练阶段就使用了大规模的视觉-文本混合数据，其中包含了通过 Qwen2.5-VL 从 PDF 文档中提取的高质量文本数据。这意味着模型不仅学习了互联网上的网页文本，还"读"了大量的书籍、论文、报告等结构化文档。
数据过滤更严格：相比前一代模型，Qwen 3.5 对训练数据的质量筛选标准更高。低质量、重复性高、或者可能引入偏见的数据被更积极地过滤掉。这种"精选数据"的策略，是当前业界的一个共识——数据质量往往比数据数量更重要。
强化学习规模扩大：在后训练阶段，Qwen 3.5 采用了覆盖 20 多种任务类型的通用强化学习（RL）训练，包括数学推理、代码生成、工具调用、创意写作等。这种多任务强化学习有助于提升模型在各种场景下的综合表现。
多语言数据大幅扩充：为了支持 201 种语言和方言，Qwen 3.5 显著扩充了中英文以外的多语言训练数据，同时将词表从 15 万扩展到了 25 万。更大的词表在编码效率上的提升是实实在在的——对于日语、韩语、阿拉伯语等非拉丁文字的语言，编码/解码效率可以提升 10%~60%。
原生多模态：不再是"拼装"
过去的多模态大模型，大多是在一个训练好的语言模型基础上，外挂一个视觉编码器（比如 CLIP 或 SigLIP），通过对齐训练把视觉特征"翻译"成语言模型能理解的表示。这种方式虽然有效，但存在一个根本问题：视觉信息在进入语言模型之前已经被压缩和重新编码了一次，不可避免地会有信息损失。
Qwen 3.5-Plus 采用了一种不同的路线——原生多模态。所谓"原生"，是指视觉和语言的融合从预训练阶段就开始了，而不是在一个纯语言模型上后期"嫁接"视觉能力。
早期融合训练
根据阿里官方的介绍，Qwen 3.5 系列在预训练阶段就使用了大规模的视觉-文本混合语料。这意味着模型从一开始就学会了如何同时处理文本和视觉信息，而不是先学文本、再学视觉。
这种"早期融合"（Early Fusion）策略带来了几个好处：
- 视觉理解更自然：模型看图片时的"思维方式"和处理文字是一致的，不需要在两个不同的表示空间之间做转换。
- 跨模态推理更强：因为视觉和语言特征从底层就是统一的，模型可以更自然地进行"看图推理"——比如从一张手绘草图中理解布局意图并生成对应的代码。
- OCR 和细节识别更精准：原生多模态的视觉编码保留了更多底层视觉细节，对文字识别、图表理解等任务特别有利。
DeepStack 技术
在具体的视觉特征注入方式上，Qwen 系列（从 Qwen3-VL 开始）采用了一种叫做 DeepStack 的技术。传统做法是把视觉编码器的最终输出作为一组 token，一次性注入到语言模型的输入层。DeepStack 则不同，它把 ViT（Vision Transformer）不同层的视觉特征分别注入到语言模型的不同层中。
传统做法:
ViT最终层输出 ──► LLM输入层
DeepStack:
ViT第4层特征 ──► LLM第2层
ViT第8层特征 ──► LLM第4层
ViT第12层特征 ──► LLM第6层
... (以此类推)这种多层注入的方式，能够有效保留从底层（纹理、边缘等）到高层（语义、关系等）的丰富视觉信息，实现更精细化的视觉理解。
多语言 OCR 能力
Qwen 3.5-Plus 将 OCR 支持的语言数量从 19 种扩展到了 32 种以上，并且在低光、模糊、倾斜等挑战性条件下的识别表现也有明显提升。这对于实际应用场景来说非常重要——很多时候我们需要模型处理的图片并不是理想条件下拍摄的。
举个实际的例子：假设你在做一个跨境电商的商品信息录入系统，需要从各国供应商发来的产品标签照片中提取信息。这些照片可能是在仓库里随手拍的，光线不好、角度倾斜、文字还可能是多种语言混排的。传统的 OCR 方案在这种场景下往往力不从心，需要针对每种语言单独配置识别引擎，而且对图片质量的要求很高。
Qwen 3.5-Plus 的原生多模态方案可以很好地应对这类场景：它不需要单独的 OCR 引擎，而是直接"看"图片来理解内容。而且因为是端到端的理解过程，模型可以利用上下文信息来纠正可能的识别错误——比如如果它从图片中识别出"保质期 12 个月"这样的信息，即使某个数字识别不太清楚，它也能根据语义上下文做出合理的判断。
对于从事文档数字化、票据处理、或者内容审核等工作的开发者来说，这项能力可以显著简化技术方案的复杂度，减少对多个第三方 OCR 服务的依赖。
视觉编码器的技术选型
从技术实现上看，Qwen 3.5 系列的视觉编码器基于 SigLIP2（So400m）架构进行初始化。SigLIP 是 CLIP 的一个改进版本，通过使用 Sigmoid 损失函数替代对比学习中的 Softmax 归一化，在训练效率和零样本分类性能上都有所提升。
在 Qwen 3.5-Plus 中，视觉编码器不再追求和语言模型的架构完全统一（这是 Qwen2.5-VL 曾经尝试的方向），而是回归到了更成熟的标准 ViT（Vision Transformer）结构——使用 LayerNorm 而非 RMSNorm，使用标准的 MLP 而非 SwiGLU。这种选择的逻辑很清晰：不同模态的编码器应该各自使用最适合自己的架构，融合的工作交给后续的注入机制来完成。
这种设计哲学的转变也值得开发者关注——不一定非要在所有组件上追求架构统一，找到每个组件的最优解再做融合，往往是更务实的选择。
常见疑问解答
在之前的技术分享中（无论是在无忆研习社还是其他技术社区），莫潇羽发现大家对 Qwen 3.5-Plus 最常问到的几个问题如下，这里统一做一个解答。
问：Qwen 3.5-Plus 和 Qwen3-235B-A22B 是什么关系？
Qwen3-235B-A22B 是 Qwen3 系列的旗舰 MoE 模型，发布于 2025 年 4 月。Qwen 3.5-Plus 是更新一代的产品，基于全新的 Qwen3-Next 架构构建，在注意力机制、MoE 稀疏度、多模态融合方式等方面都做了根本性的升级。简单来说，Qwen 3.5-Plus 是 Qwen3-235B-A22B 的"下一代"。
问：普通用户（非开发者）怎么使用 Qwen 3.5-Plus？
最简单的方式是直接访问 chat.qwen.ai，在网页端或者千问 App 中使用。界面和操作方式跟你使用其他 AI 对话工具基本一样，不需要任何技术基础。你可以直接上传图片让它分析，或者进行各种文字对话。
问：本地部署的最低硬件要求是什么？
如果使用 INT4 量化版本，理论上需要至少 100GB 左右的内存/显存。Apple Silicon 设备（如 M2 Ultra 配 128GB 统一内存）可以尝试运行，社区已有用户实测过类似规模的 MoE 模型。如果使用多张消费级 GPU（比如 4 张 RTX 4090，每张 24GB 显存），配合模型并行也可以运行。但要注意，消费级硬件上的推理速度会明显慢于专业 GPU 服务器。
问：Qwen 3.5-Plus 的 API 怎么计费？
API 价格信息建议查看阿里云百炼平台的最新定价页面（因为价格可能会调整）。根据已知信息，Qwen 3.5-Plus 的 API 定价相比同级别的闭源模型有明显的价格优势，这得益于其高效的推理架构带来的成本降低。
问：对于中文任务，Qwen 3.5-Plus 和其他国产大模型比怎么样？
这个问题很难给出一个笼统的答案，因为不同任务上的表现差异可能很大。从基准测试的数据来看，Qwen 3.5-Plus 在推理、编程、Agent 能力方面有明显优势；在创意写作和对话体验方面，各家模型各有千秋。莫潇羽的建议是：不要盲目相信任何单一的排行榜或基准分数，而是针对你自己的具体应用场景做实际测试，用你自己的数据和任务来评估哪个模型最适合你。
性能基准：数据说话
模型好不好，最终还是要看实际跑分和应用效果。根据阿里官方发布的基准测试数据，Qwen 3.5-Plus 在多个维度上都展现了强劲的竞争力：
推理吞吐量对比
这是最让开发者兴奋的一组数据：
在 32K 上下文长度下:
Qwen 3.5-Plus 解码吞吐量 ≈ Qwen3-Max 的 8.6 倍
在 256K 上下文长度下:
Qwen 3.5-Plus 解码吞吐量 ≈ Qwen3-Max 的 19 倍
对比 Qwen3-235B-A22B:
32K 上下文: 约 3.5 倍提升
256K 上下文: 约 7.2 倍提升这组数据的含义很直观：同样的硬件，Qwen 3.5-Plus 可以比上一代模型快好几倍，而且上下文越长，优势越明显。这得益于 Gated DeltaNet 线性注意力在长序列处理上的天然优势。
部署资源对比
部署显存占用:
相比 Qwen3-Max (万亿参数) 降低 60%
推理效率:
最大吞吐量可提升至 19 倍这意味着原来需要多台高端 GPU 服务器才能跑起来的模型级别能力，现在用更少的硬件就能实现。对于中小型团队和个人开发者来说，这是一个实质性的门槛降低。
多语言能力
词表从 15 万扩展到 25 万，支持语言从 119 种扩展到 201 种语言和方言。更大的词表在大多数语言上可以带来约 10%~60% 的编码/解码效率提升。
这一点对于做国际化业务的开发者特别重要。更强的多语言能力意味着模型能够学习到更密集的世界知识和推理逻辑，对小语种的理解和生成质量也会相应提升。
视觉理解能力实测场景分析
了解了原理之后，我们来看看 Qwen 3.5-Plus 的视觉理解能力在实际场景中是怎么表现的。莫潇羽@无忆研习社根据各方测试反馈，整理了几个典型场景。
场景一：复杂图片内容识别与结构化输出
一个经典的测试是给模型一张内容丰富的图片（比如一桌年夜饭），让它识别所有菜品、列出食材、估算价格。
这个任务看似简单，实则涉及多个能力的综合：
- 视觉识别：能准确认出每道菜是什么
- 知识关联：知道每道菜的常用食材
- 数值估算：了解各食材的大致市场价格
- 结构化输出：将结果整理成清晰的表格
原生多模态的优势在这里就体现出来了——因为视觉和语言理解是一体的，模型在"看"到图片时就已经在做语义层面的理解，而不是先"描述"看到的画面，再基于描述去推理。
场景二：手写内容识别与数学推理
另一个高难度场景是识别手写数学题并判断解题过程的正确性。这需要：
- OCR 能力：在潦草的手写字迹中准确识别数学公式和符号
- 数学推理：理解完整的解题逻辑链
- 错误检测：发现解题过程中的遗漏或错误
测试表明，Qwen 3.5-Plus 不仅能准确识别出潦草的手写公式，还能判断出解题过程是否完整（比如识别出只有前半部分），甚至能指出其中遗漏的符号。这种能力对于教育场景有很大的应用价值。
场景三：手绘草图转代码
这是对模型"视觉编程"能力的终极考验，也是莫潇羽@无忆研习社最感兴趣的测试方向。给模型一张随手画的 UI 草图，让它直接生成对应的 HTML 代码——这个任务的难度远超普通的图片描述或文字识别。
以一个服务器监控后台为例，草图可能只是几条潦草的线条，大致表示"左侧菜单 + 右上饼图 + 下方表格"的布局。模型需要完成一系列复杂的认知过程：
- 理解抽象的线条和形状代表什么 UI 元素（而不是简单地"看到"线条本身）
- 推断这些 UI 元素之间的层次和布局关系
- 选择合适的前端实现方案（CSS Grid、Flexbox 等）
- 生成包含数据展示逻辑的完整可运行 HTML/CSS/JS 代码
- 在视觉设计上做出合理的审美判断（配色、间距、字体等）
实际测试中，Qwen 3.5-Plus 能够在几秒内完成草图的解构，并生成一个包含完整功能的单页面应用。不仅如此，它在生成过程中还会做一些"智能优化"——比如你在草图中画的是"上下布局"，但如果模型判断"左右布局"更适合当前的页面比例和内容结构，它可能会主动调整。这不是简单的像素级复制，而是基于对 UI 设计原则的理解做出的判断。
更有意思的是后续的"视觉修 Bug"能力。如果你对生成的结果不满意，可以把原始草图和生成结果的截图一起发给模型，只需要说一句"照着原图改"。模型会自己通过视觉比对来找出两张图之间的差异，然后精准地修改对应的代码——不需要你描述具体哪里不对，不需要你指出是哪个 CSS 属性有问题，它会通过"看"来定位问题。
这种能力在实际开发流程中极其有用。莫潇羽在无忆研习社（www.wuyi.wiki）上做技术分享时经常提到一个观点：AI 对开发者最大的价值不是替代你写代码，而是缩短从构思到可见效果之间的时间。手绘草图转代码这个能力，本质上就是在做这件事——你在白板上画个大概，几秒钟后就能看到一个可以交互的原型，然后基于原型再去迭代调整。
场景四：文档理解与信息提取
除了上面提到的场景，Qwen 3.5-Plus 在文档理解方面也有显著提升。它可以处理包含复杂排版的文档，比如学术论文中的多栏布局、嵌套的图表和公式、以及各种格式的表格。
一个典型的应用场景是：把一份 PDF 报告（可能包含文字、图表、表格混排）发给模型，让它提取关键信息并生成结构化的摘要。原生多模态的优势在这里体现得很明显——模型不需要先把 PDF "转换"成纯文本再处理，而是直接"看"整个页面，理解文字和图表之间的逻辑关系。
对于做数据分析、研究报告整理、或者内容聚合类应用的开发者来说，这个能力的实用价值非常高。
场景五：多图对比与空间推理
Qwen 3.5-Plus 还支持在单次对话中处理多张图片，并进行跨图片的对比和推理。比如你可以同时上传一个产品的设计图和实物照片，让模型找出两者之间的差异；或者上传一系列时间序列的图表，让模型分析趋势变化。
这种多图处理能力的基础同样是原生多模态架构——因为视觉和语言的表示空间是统一的，模型可以很自然地在多个视觉输入之间建立关联，而不需要为每张图片单独处理后再合并。
思考模式与非思考模式
Qwen 3.5-Plus 继承了 Qwen3 系列的"双模式"设计，支持在 思考模式 和 非思考模式 之间灵活切换。
思考模式（Thinking Mode）
适用于复杂推理任务，如数学证明、代码生成、逻辑分析等。在思考模式下，模型会在输出最终答案之前，先生成一段标记为 <think> 的内部推理过程，展示其分析和思考的步骤。
非思考模式（Non-Thinking Mode）
适用于
