qwen
Qwen: Qwen3.5 397B A17B
qwen/qwen3.5-397b-a17b
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
qwen/qwen3.5-397b-a17b es un modelo post-entrenado de la serie Qwen3.5 que acepta texto, imágenes y video y genera texto. Su ficha describe una arquitectura híbrida de expertos dispersos con 397B parámetros totales y 17B activados, contexto nativo de 262.144 tokens extensible hasta aproximadamente 1,01 M, y cobertura declarada de 201 idiomas y dialectos. La documentación del proveedor reporta evaluaciones de conocimiento, seguimiento de instrucciones, contexto largo, STEM y razonamiento; OpenRouter cataloga mediciones externas limitadas de programación, tareas agénticas y diseño, distintas de las capacidades declaradas.[1][2]
Puntos fuertes
- El catálogo indica entradas de texto, imagen y video con salida de texto, mientras la ficha describe entrenamiento unificado de visión-lenguaje.[1][2]
- El diseño híbrido y disperso de expertos suma 397B parámetros con 17B activados y ofrece un contexto nativo de 262.144 tokens, ampliable según la ficha hasta cerca de 1,01 M.[2]
- La ficha documenta distribución Apache-2.0 y compatibilidad con Transformers, vLLM, SGLang y KTransformers; el catálogo también enumera herramientas, elección de herramienta, salidas estructuradas y formato de respuesta.[1][2]
Limitaciones
- La evidencia se limita a documentación del proveedor y una entrada de catálogo; no se aporta una evaluación independiente de cargas reales, seguridad o fiabilidad.[1][2]
- No se indica fecha de corte de conocimiento ni requisitos de hardware, y ciertas funciones de producción, como contexto predeterminado de 1 M de tokens, herramientas integradas y uso adaptativo de herramientas, se atribuyen al alojado Qwen3.5-Plus, no a esta variante exacta.[1][2]
- El catálogo marca el razonamiento como opcional, pero sin valores predeterminados ni niveles de esfuerzo compatibles; además, su medición agéntica es inferior a la de programación, por lo que los agentes intensivos en razonamiento requieren pruebas directas.[1]
Dónde utilizarlo
- Asistentes multimodales que respondan en texto a partir de texto, imágenes o video, con la calidad comprobada en los medios previstos.[1][2]
- Análisis de documentos extensos donde el amplio contexto nativo pueda ayudar; pruebe por separado cualquier configuración de contexto ampliado.[1][2]
- Asistentes de API que requieran llamadas a herramientas, respuestas estructuradas o cobertura multilingüe; valide el comportamiento de herramientas, la fiabilidad agéntica y cada idioma objetivo.[1][2]
Fuentes
- [1] OpenRouter catalog · Qwen: Qwen3.5 397B A17BFuentes consultadas: 13 nov 2026
- [2] Model documentation · Qwen: Qwen3.5 397B A17BFuentes consultadas: 13 nov 2026
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
The Qwen3.5 series 397B-A17B native vision-language model is built on a hybrid architecture that integrates a linear attention mechanism with a sparse mixture-of-experts model, achieving higher inference efficiency. It delivers...
Especificaciones
- ID del modelo
- qwen/qwen3.5-397b-a17b
- ID canónico
- qwen/qwen3.5-397b-a17b-20260216
- Creador
- qwen
- Añadido a OpenRouter
- 16.02.2026
- Longitud de contexto
- 262,144
- Modalidad
- text+image+video->text
- Modalidades de entrada
- text, image, video
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $0.600 / salida $3.6
- Corte de conocimiento
- —
- Fecha de expiración
- —
Tareas y capacidades
Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.
| Tarea | Nota | Capacidad declarada por la fuente |
|---|---|---|
| Calidad general | Sin medición | razonamiento: opcional · parámetros: include_reasoning, reasoning |
| Programación | BB — siguiente 30% de la cohorte | — |
| Agentes | CC — por debajo de la franja B | parámetros: structured_outputs, tool_choice, tools |
| Escritura | Sin medición | salida: text |
| Razonamiento | Sin medición | razonamiento: opcional · parámetros: include_reasoning, reasoning |
| Análisis de documentos | Sin medición | — |
| Visión | Sin medición | entrada: image |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | — |
| Vídeo | Sin medición | entrada: video |
| Embeddings | Sin medición | — |
Evaluaciones
| Fuente | Benchmark | Valor | Nota | Datos obtenidos |
|---|---|---|---|---|
| Artificial Analysis | Coding index | 48.2 | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Artificial Analysis | Agentic index | 8.3 | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · 3dtasa de victoria 56.7% · posición 72 | 1,144Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · codecategoriestasa de victoria 52.7% · posición 72 | 1,170Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · dataviztasa de victoria 53.2% · posición 69 | 1,173Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
| Design Arena | models · gamedevtasa de victoria 50.2% · posición 84 | 1,131Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · svgtasa de victoria 56.1% · posición 57 | 1,131Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · uicomponenttasa de victoria 51.4% · posición 83 | 1,154Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · websitetasa de victoria 52.6% · posición 74 | 1,185Elo | BB — siguiente 30% de la cohorte | 13.11.2026 |
Cómo funcionan las notas
Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.
- S — S — 10% superior de la cohorte
- A — A — siguiente 20% de la cohorte
- B — B — siguiente 30% de la cohorte
- C — C — por debajo de la franja B
Proveedores
Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.
| Proveedor | Longitud de contexto | Precio entrada /1M | Precio salida /1M | Latencia p50 (30m, s) | Rendimiento p50 (30m, tok/s) | Disponibilidad (30m) |
|---|---|---|---|---|---|---|
| Alibaba | 262,144 | $0.390 | $2.34 | — | — | 100% |
| DeepInfrafp8 | 262,144 | $0.450 | $3 | — | — | 100% |
| Parasailfp8 | 262,144 | $0.500 | $3.6 | — | — | 100% |
| AtlasCloudfp8 | 262,144 | $0.550 | $3.5 | — | — | 100% |
| StreamLake | 256,000 | $0.600 | $3.6 | — | — | 100% |
| GMICloudfp8 | 262,144 | $0.600 | $3.6 | — | — | — |
| Novita | 262,144 | $0.600 | $3.6 | — | — | 100% |
| Venice | 128,000 | $0.750 | $4.5 | — | — | 100% |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
Ningún artículo publicado identifica aún este modelo.