摘要： 2026 年 4 月 16 日，阿里巴巴的 Qwen 團隊以開放權重形式推出 Qwen3.6-35B-A3B——Qwen3.6 家族首度開源之作，採 Apache-2.0 授權，總參數 35B，每個 token 實際運行的只有約 3B。 繼二月的 Qwen3.5 之後，團隊再次交出「總參數大、激活量小」的作品，這回主戰場是代理式編碼。 模型卡寫明，Qwen3.6 聽取社群回饋打造，把「穩定性與實際效用」擺在最前面。
2026 年 4 月 16 日，阿里巴巴的 Qwen 團隊以開放權重形式推出 Qwen3.6-35B-A3B——Qwen3.6 家族首度開源之作，採 Apache-2.0 授權，總參數 35B，每個 token 實際運行的只有約 3B。官方公告標題開宗明義：「Agentic coding power, now open to all」。繼二月的 Qwen3.5 之後，團隊再次交出「總參數大、激活量小」的作品，這回主戰場是代理式編碼。同一天，Anthropic 也端出了 Claude Opus 4.7；Simon Willison 隨即在筆電上安排兩者同場較勁，這場對決讓許多人重新掂量開源權重的分量。
Qwen3.6 的第一份開放權重
模型卡寫明，Qwen3.6 聽取社群回饋打造，把「穩定性與實際效用」擺在最前面。升級重點有兩項：其一是代理式編碼，前端工作流與倉庫級推理的處理更順手；其二是 Thinking Preservation，留下歷史訊息裡的推理上下文，迭代開發無須每次從頭重算。模型具備多模態能力，視覺編碼器可接收圖片與影片輸入；原生上下文 262,144 tokens，還能延伸到 1,010,000。
256 個專家，混搭線性注意力
骨架是 40 層 MoE，內含 256 個專家，每個 token 啟用其中 8 個路由專家與 1 個共享專家。注意力走雙軌混搭：每個大區塊排 3 個「Gated DeltaNet 接 MoE」、補 1 個「Gated Attention 接 MoE」，如此重複十次。線性注意力把長上下文的開銷壓低，稀疏 GQA 則守住不可少的檢索能力——兩者合起來，百萬級上下文與筆電可跑才得以並列在同一張規格表上。
基準成績：代理編碼躍進
跳幅最搶眼的是 Terminal-Bench 2.0：拿下 51.5，把 Qwen3.5-35B-A3B 的 40.5 與 Qwen3.5-27B 的 41.6 遠遠拋開。SWE-bench Verified 繳出 73.4（Qwen3.5-27B 為 75.0、前一代 A3B 為 70.0），Multilingual 為 67.2、Pro 為 49.5。內部的前端代碼基準 QwenWebBench，它取得 1397 評級。數學與知識題依舊穩健：AIME26 92.7、GPQA 86.0、LiveCodeBench v6 80.4。視覺方面，MMMU 81.7、OmniDocBench1.5 89.9，這樣的文件理解能力對要讀截圖的代理格外受用。
在筆電上考鵜鶘
發布當天下午，Simon Willison 選用 Unsloth 的 20.9GB Q4_K_S GGUF 量化版，在 MacBook Pro M5 上藉 LM Studio 執行，與 Claude Opus 4.7 就「鵜鶘騎自行車」SVG 基準一較高下。勝者是 Qwen：Opus 把車架畫走樣，改把 thinking_level 調到 max 重試依舊無解。為了堵住「針對測試特別訓練」的質疑，他搬出保密備用題「火烈鳥騎獨輪車」——Qwen 再勝一場，還在 SVG 裡埋了句「太陽眼鏡！」的註解。他的評價很清醒：21GB 量化模型未必強過最新的閉源模型，也不見得更好用，但「如果你需要的正是一張鵜鶘騎自行車的 SVG，現在筆電上的 Qwen3.6-35B-A3B 是比 Opus 4.7 更好的選擇」。他的貼文進帳 463 點，官方發布帖更衝到 1,274 點、532 則留言。
上手管道與建議參數
權重可在 Transformers、vLLM、SGLang 與 KTransformers 上直接運行，亦可搭配 Qwen-Agent，或改接 OpenAI 相容端點。官方給出的建議設定：思考模式一般用溫度 1.0，精確編碼任務降到 0.6，top_p 取 0.95；多數查詢的輸出長度為 32,768 tokens，遇到競賽級難題則放寬至 81,920。一個 20.9GB 的量化檔，就能讓筆電跑起貼近前沿的編碼代理——這正呼應年初對 2026 年開源陣營走向的判斷：開放權重持續把前沿能力搬進本地硬體，閉源的領先範圍正被壓縮到非超大規模推論不可的任務。