TECH

千问 3.5 深度技术解读：原生多模态 Agent 的架构、成本与落地路径

基于阿里官方发布页、模型卡与论文，对 Qwen3.5 系列的模型谱系、关键架构、训练方法、评测结果与工程接入策略做系统拆解。

先说结论

Qwen3.5 这次更像一次体系升级，而不是单点迭代。核心变化不在“参数更大”，而在于把多模态理解、推理模式和工具调用能力放进同一套模型与产品框架中。

对工程团队最直接的价值是三件事：同一套 API 能覆盖更多任务、thinking/non-thinking 可以做分层路由、开源与商业模型有了更清晰的协同空间。对于正在做图文理解、复杂推理和 Agent 编排的团队，这一代值得尽快做基准验证。

发布时间线

先把时间线放在前面，避免混淆。

Qwen 官方博客 Qwen3.5: Towards Native Multimodal Agents 首发时间是 2025-09-23，后续有更新（2025-10-31、2026-01-27）。

到 2026-02-16，阿里云 Model Studio 文档已明确 qwen-plus 升级到 qwen3.5-plus（qwen-plus-latest 自动指向新版本）。2026-02-17，Hugging Face Qwen3.5-397B-A17B 模型卡更新了架构和基准细节。

三条信息合起来看，这次发布不是一次性公告，而是模型、云端产品和开源信息同步推进。

四个关键变化

1) 多模态与 Agent 能力从“外挂”走向“内生”

过去不少方案是“文本主模型 + 视觉模块 + 工具层”分离。Qwen3.5 的方向是把图像、视频、推理和工具能力放在同一体系内。工程上的意义很直接：跨模型桥接逻辑会减少，链路一致性更容易维护。

2) Thinking / Non-thinking 分层可以直接用于生产路由

并非所有请求都需要深度思考。Qwen3.5 提供了天然的双模式：难题走 thinking，常规请求走 non-thinking。这样做能更实际地平衡准确率、时延和成本，而不是把所有请求都交给同一种推理强度。

3) Hidden Layout 路线已经公开落地

Qwen3.5-397B-A17B 模型卡公开了关键参数：总参数约 396.8B，激活参数约 17.4B；共 89 层，其中 28 层全注意力、61 层局部窗口注意力，局部层交替使用 Gated Attention 与 Gated DeltaNet。

这种混排的价值在于：把全局建模能力留在关键层，同时让更多层用高效结构处理长序列，目标是守住长上下文和多模态场景下的效率上限。

4) 产品分层更容易映射业务分层

Max / Plus / Turbo / Coder，加上开源 VL / Omni 路线，基本形成了“高价值在线请求、离线批处理、私有部署”三类场景的选型基础。相比“一个模型覆盖全部任务”，这种分层更符合真实工程治理。

架构拆解

从公开资料看，Qwen3.5 的技术路线有三个值得注意的点。

第一，输入组织层面强调 2D-MRoPE、动态像素分配（DPA）与动态 FPS 视频采样。它的重点不是把视觉 token 简单拼进文本窗口，而是先把多模态序列组织好。

第二，训练顺序（官方博客披露）是：文本底座预训练与文本 SFT -> 图文联合训练 -> 长链推理强化 -> 工具使用强化。这个顺序本质上是先稳住通用推理，再强化可执行能力。

第三，公开论文脉络（Qwen3 技术报告、Gated DeltaNet、Gated Attention）能解释其架构方向。需要说明的是，截至 2026-02-17，尚未检索到覆盖整个 Qwen3.5 系列的独立 arXiv 总报告。

基准怎么读

模型卡里的几个核心数字是：上下文 262,144 tokens、视觉 token 128K 量级，以及 AIME25 92.9、LiveCodeBench v6 67.0、MMMU-Pro 74.1、BFCL v3 70.8。

这些分数适合做候选模型初筛，但不建议直接当作最终决策依据。真实收益仍取决于任务分布、容错要求、工具链复杂度和预算上限。跨模型比较时，评测口径与接口限制也需要单独核对。

价格与接入

按 2026-02-17 查到的阿里云 Model Studio 文档，qwen3.5-plus 关键价格口径如下：

最大上下文 131,072，最大输出 65,536。

落地时可优先采用这条策略：默认 non-thinking 保证吞吐与时延；高难推理或工具规划失败重试时切 thinking；把缓存命中率与上下文裁剪作为核心降本抓手。

落地建议

适合现在推进试点的团队，通常具备这些条件：已经在跑多模态或工具调用链路、具备模型路由能力、能够并行维护闭源 API 与开源模型栈。

建议暂缓全面接入的场景也比较明确：仍处于单轮问答阶段、缺少任务级评测闭环、没有 token 治理和缓存策略。这个阶段直接上长上下文重负载，成本与稳定性风险都偏高。

取证方式

本文仅使用官方一手资料：Qwen 博客、阿里云文档、Hugging Face 模型卡和相关论文页面，未使用二手转述。

同时需要强调：截至 2026-02-17，尚未检索到覆盖整个 Qwen3.5 家族的独立 arXiv 总报告。文中关于架构路线的判断，主要基于模型卡和公开论文链路，因此涉及跨模型领先性的结论，仍建议在自有任务集上复验。

一手来源

1. Qwen 官方博客：https://qwen.ai/blog/qwen3.5
2. 阿里云 Model Studio（Qwen-Plus / Qwen3.5-Plus）：https://www.alibabacloud.com/help/en/model-studio/getting-started/models
3. Hugging Face 官方模型卡（Qwen3.5-397B-A17B）：https://huggingface.co/Qwen/Qwen3.5-397B-A17B
4. Qwen3 技术报告（arXiv:2505.09388）：https://arxiv.org/abs/2505.09388
5. Gated Delta Networks（arXiv:2412.06464）：https://arxiv.org/abs/2412.06464
6. Gated Attention for LLMs（arXiv:2505.06708）：https://arxiv.org/abs/2505.06708