Alibaba открыла веса Qwen3.6-35B-A3B — MoE-модель с 1М контекста для локальных ИИ-агентов

Если у вас на столе стоит машина с RTX 4090 или серверным GPU, а в кармане кончаются кредиты на Claude Code или Cursor — теперь можно подключить их к локальному агенту. Alibaba выложила веса Qwen3.6-35B-A3B на Hugging Face — это первая open-weight модель из линейки Qwen3.6.

В марте Alibaba уже выпустила Qwen3.6-Plus — закрытую flagship-модель с API-доступом через OpenRouter. Теперь у серии появилась открытая ветка: архитектура Mixture of Experts, 35 млрд параметров всего, но при генерации токена активируются только 3 млрд. Поэтому модель можно запустить на одной современной видеокарте — правда, с квантизацией до 4 бит, о требованиях подробнее ниже.

Саймон Уиллисон (создатель Datasette и автор утилиты llm) отметил, что Qwen3.6-35B-A3B в его популярном тесте «pelican on a bicycle» сгенерировала SVG-иллюстрацию лучше, чем свежий закрытый Claude Opus 4.7 от Anthropic. Уиллисон гонял квантизованную версию модели (~21 ГБ) на MacBook Pro M5 через LM Studio. Тест полушутливый, но показательный: open-weight-ветка догоняет топ-проприетарные.

Что внутри: MoE и гибридные слои

Qwen3.6-35B-A3B — это Mixture of Experts. Суффикс A3B в названии означает Active 3 Billion: при генерации каждого токена модель выбирает 8 «экспертов» из 256 плюс один общий, суммарно 3 млрд активных параметров из 35 млрд.

Архитектура гибридная: 10 повторяющихся блоков, в каждом три последовательности Gated DeltaNet → MoE и одна — Gated Attention → MoE. Gated DeltaNet — вариант линейного внимания, он даёт быструю обработку длинного контекста. Gated Attention с полным квадратичным вниманием стоит там, где линейная аппроксимация теряет точность.

Контекст нативно 262 144 токена. Для длинных сессий (до 1 010 000 токенов) Alibaba рекомендует YaRN-растяжение RoPE, иначе модель теряет фокус на хвосте.

Что нового относительно Qwen3.5

В карточке модели Alibaba выделяет две главные линии улучшений.

Agentic Coding. Модель лучше держит фронтенд-воркфлоу и рассуждает про репозиторий целиком, а не по отдельным файлам. По внутренним бенчмаркам Alibaba — прирост на коде относительно Qwen3.5-35B-A3B:

• Terminal-Bench 2.0: 51,5 против 40,5 — +11 баллов
• SWE-bench Verified: 73,4 против 70,0
• SWE-bench Pro: 49,5 против 44,6
• QwenWebBench (фронтенд-генерация, Elo): 1397 против 978

Thinking Preservation. В Qwen3.5 reasoning-токены модели не сохранялись между шагами диалога — модель каждый раз начинала рассуждать заново. В 3.6 появилась опция оставлять reasoning-контекст в истории сообщений, она включается через параметр сэмплера. Для многошаговых агентных сценариев это означает, что промежуточные выводы переходят между шагами, и агент не теряет «почему» на шаге 5, если оно возникло на шаге 2.

Как читает картинки

Qwen3.6-35B-A3B — Vision Language Model, визуальный энкодер встроен в саму модель. По внутренним замерам Alibaba, на большинстве визуальных бенчмарков модель обгоняет закрытый Claude Sonnet 4.5 — включая MMMU, Mathvista, RealWorldQA и HallusionBench. Самые заметные разрывы:

• RealWorldQA — 85,3 vs 70,3 у Claude Sonnet 4.5
• HallusionBench (устойчивость к галлюцинациям на картинках) — 69,8 vs 59,9 у Claude Sonnet 4.5

Для агентов, которые читают скриншоты интерфейсов или диаграммы из документации, это важное сочетание: open-weight плюс конкурентоспособное визуальное разумение. Раньше открытых моделей такого уровня на визуальных задачах почти не было.

Как запустить локально

Официально поддерживаются четыре способа инференса: Hugging Face Transformers, vLLM, SGLang и KTransformers. Для локального сервера с OpenAI-совместимым API проще всего взять vLLM:

			pip install vllm
vllm serve Qwen/Qwen3.6-35B-A3B \
    --max-model-len 262144 \
    --enable-prefix-caching
		

Требования к железу определяются активной частью модели — 3 млрд параметров. В BF16 модель целиком занимает около 70 ГБ VRAM, но с квантизацией (AWQ/GPTQ 4-бит) и FlashAttention инференс помещается на одну RTX 4090 (24 ГБ) или L40S (48 ГБ). Для полного контекста 1 млн токенов и пакетной обработки лучше две карты или серверный A100/H100.

После старта vLLM модель принимает запросы по OpenAI-совместимому API на http://localhost:8000/v1. В Aider и Cursor этот URL подставляется напрямую. Claude Code ждёт Anthropic-совместимый протокол, поэтому для него нужен прокси — например, claude-code-router, он конвертирует OpenAI-ответы vLLM в формат Anthropic. Модель поддерживает нативный function calling, так что работать она будет как полноценный агент, а не как plain-LLM.

Для кого это

• Команды с чувствительным кодом, которым нельзя отправлять репозиторий в сторонние API
• Разработчики, которые хотят независимость от биллинга и лимитов Claude, OpenAI, Cursor
• Российские пользователи: модель скачивается с Hugging Face без VPN и санкционных рисков, лицензия Apache 2.0
• Исследователи — для файн-тюнинга, дистилляции и экспериментов с ин-контекстным обучением

Что это значит

Qwen3.6-35B-A3B — одно из крупных open-weight событий апреля 2026 года. В связке с vLLM модель можно подключить к Aider, Cursor или Claude Code через прокси и получить автономного кодового агента на собственном железе — без биллинга Anthropic или OpenAI. А в визуальном разумении она ещё и обгоняет закрытый Claude Sonnet 4.5.

Главный вывод: открытая ветка Qwen 3.6 готова к реальной агентной работе — не как игрушка, а как замена топ-проприетарных моделей в части задач.

Источники: карточка модели на Hugging Face, заметка Саймона Уиллисона от 16 апреля, наш материал о закрытой Qwen3.6-Plus.