- 総計350億パラメータのうち30億のみが有効化される**疎な Mixture-of-Experts(MoE)**構造により、効率性と性能を同時に実現したオープンソースモデル
- 前世代と比べてエージェント型コーディング能力が大幅に向上し、Qwen3.5-27BやGemma4-31Bのような大規模Denseモデルと競争可能な水準を示す
- SWE-bench、Terminal-Bench、Claw-Evalなど主要なコーディングベンチマークで高スコアを記録し、マルチモーダル課題でもClaude Sonnet 4.5級の性能を達成
- Alibaba Cloud Model Studio API、Hugging Face、ModelScopeを通じて公開重みとAPIアクセスが可能で、OpenClaw・Claude Codeなど多様なコーディングツールとの統合をサポート
- 有効パラメータ30億で大規模モデルに匹敵する効率的なオープンモデルの新たな基準を提示
Qwen3.6-35B-A3B 概要
- Qwen3.6-35B-A3Bは、総計350億パラメータのうち30億のみが有効化される**疎な Mixture-of-Experts(MoE)**モデルで、効率性と性能を兼ね備えたオープンソースモデル
- 以前のバージョンであるQwen3.5-35B-A3Bより**エージェント型コーディング(agentic coding)**性能が大きく向上しており、Qwen3.5-27BやGemma4-31Bのような大規模Denseモデルと競争可能な水準を示す
- マルチモーダル推論モードと非推論モードの両方をサポートし、Qwen Studio、API、Hugging Face、ModelScopeを通じて公開されている
- モデルはQwen Studioで対話的に利用でき、Alibaba Cloud Model Studio API(
qwen3.6-flash)経由で呼び出すか、直接ホスティング可能
性能評価
-
言語およびコーディング性能
- Qwen3.6-35B-A3Bは、有効パラメータ30億のみでQwen3.5-27B(Dense型270億パラメータ)を複数の主要コーディングベンチマークで上回る
- SWE-bench Verified 73.4、Terminal-Bench 51.5、Claw-Eval平均68.7などで高得点を記録
- QwenWebBench(ウェブコード生成ベンチマーク)では1397点を記録し、同クラスのモデルの中で最高水準
- 一般エージェントベンチマーク(MCPMark、MCP-Atlas、WideSearchなど)でも競合モデルに対して優れた結果を示す
- 知識および推論関連のMMLU-Pro、GPQA、AIME26などでも高い精度を維持
-
評価環境
- SWE-Benchシリーズは、内部エージェントスキャフォールド(bash + file-editツール)ベースで、200Kコンテキストウィンドウにおいて評価
- Terminal-Bench 2.0は、3時間制限、32 CPU/48GB RAM環境で5回平均
- SkillsBenchは、API依存タスクを除く78課題で評価
- QwenClawBenchとQwenWebBenchは、内部の実利用分布ベースのベンチマークで、実際のユーザー環境を反映
-
ビジョン・言語性能
- Qwen3.6-35B-A3Bはネイティブなマルチモーダルモデルであり、有効パラメータ30億のみでClaude Sonnet 4.5級の性能を達成
- RefCOCO(空間認識) 92.0、ODInW13 50.8で空間知能に強みを示す
- RealWorldQA 85.3、MMBench EN-DEV 92.8、OmniDocBench1.5 89.9など、多様なビジョン・言語課題で高スコア
- 動画理解ベンチマーク(VideoMME、VideoMMMU、MLVUなど)でも80〜86台のスコアを維持し、安定した性能を示す
Qwen3.6-35B-A3B 活用
-
展開とアクセス
- Alibaba Cloud Model Studio API(
qwen3.6-flash)を通じて利用可能で、Hugging FaceおよびModelScopeで公開重みをダウンロード可能 - Qwen Studioで即座に試用でき、OpenClaw、Claude Code、Qwen Codeなどサードパーティ製コーディング支援ツールとの統合をサポート
- Alibaba Cloud Model Studio API(
-
API利用
preserve_thinking機能をサポートし、以前の対話のthinking内容を保持しながらエージェント型タスクに適する- Alibaba Cloud Model Studioは、OpenAIおよびAnthropic API仕様と互換性のあるchat completions APIを提供
- サンプルコードでは
enable_thinkingオプションを通じて推論過程(reasoning trace)と最終回答を分けて出力可能
-
OpenClaw統合
- Qwen3.6-35B-A3BはOpenClaw(旧Moltbot/Clawdbot)と互換性があり、Model Studioと接続してターミナルベースのエージェント型コーディング環境を提供
- 設定ファイル(
~/.openclaw/openclaw.json)にModel Studio API情報をマージして利用 - Node.js 22以上の環境でインストールおよび実行可能
-
Qwen Code統合
- Qwenシリーズに最適化されたQwen Code(ターミナル向けオープンソースAIエージェント)と完全互換
- Node.js 20以上でインストール後、
/authコマンドで認証手続きを実行
-
Claude Code統合
- Anthropic APIプロトコルをサポートしており、Claude Codeでも直接利用可能
- 環境変数として
ANTHROPIC_MODEL="qwen3.6-flash"を設定した後、CLIを実行
要約と展望
- Qwen3.6-35B-A3Bは、疎なMoE構造でも大規模Denseモデルに匹敵するエージェント型コーディングおよび推論能力を実証
- 有効パラメータ30億で効率性と性能を両立し、マルチモーダルベンチマークでも優れた結果を示す
- 完全なオープンソースチェックポイントとして公開され、効率的なオープンモデルの新たな基準を提示
- QwenチームはQwen3.6オープンソースファミリーを継続的に拡張する予定であり、コミュニティからのフィードバックと活用に期待を寄せている
引用情報
@misc{qwen36_35b_a3b, title = {Qwen3.6-35B-A3B: Agentic Coding Power, Now Open to All}, url = {https://qwen.ai/blog?id=qwen3.6-35b-a3b}, author = {Qwen Team}, month = {April}, year = {2026}}
1件のコメント
Hacker Newsの意見
自分のノートPCで Unsloth 20.9GB GGUF 版を LM Studio で動かしてみた
モデルリンク
驚いたことに Opus 4.7 より 自転車に乗るペリカン をうまく描けていた
Simon Willisonの比較ポスト 参照
自分の結果には空に 太陽と雲、細い緑色の線のような芝生、そして 後光のある太陽 の効果があった
Simon の結果に似た「空気の流れ」の表現もあったが、結局重要なのはペリカンと自転車だ
Shoggoth.dbプロジェクト で wiki探索 + 自動DB構築 の作業に使った
Qwen3.5 より新しい生物の探索能力が向上しているのを実感した
速度も約 140 token/s に上がり、RTX 4090 で メモリオフロードなし でも安定して動作した
ただし、マルチモーダルの衝突を防ぐために
--no-mmproj-offloadオプションを使う必要があったもともとは誰も思いつかなかった 奇妙なプロンプト でモデルの創造性を評価する意図だったのに、今では内部ベンチマークのようになってしまった感じがする
タイヤの上に座っていて、くちばしの位置もおかしく、スポークと脚の比率 も不自然だ
サングラスも半透明で目が片方しか見えない
かわいくはあるが、頼んでもいない 蝶ネクタイとアクセサリー のせいでむしろ減点要素だと思う
Opus の結果のほうが派手さはないが、より正確だった
結局、今のモデルは 確率的な文章生成器 にすぎないという気がする
Qwen チームが オープンウェイト を引き続き公開しているのはありがたい
関連ニュース1, ニュース2
Junyang Lin など主要メンバーの離脱後もプロジェクトが続いているのは印象的だ
小型サイズのモデルは近いうちに公開される可能性が高いが、主力の397A17Bモデル は含まれていないようだ
Unsloth がすでに 量子化と変換 を済ませた版を出している
Hugging Faceリンク
安定版を入手するには1週間ほど後にもう一度確認したほうがいい
初期バグのせいで良いモデルが過小評価されることもある
量子化プロセスは複雑で品質低下のリスク があるので、元の開発者が直接やるほうがよいと思う
間違った quant 版がモデルの評判を損ねることもありうる
そして 良いフォーマットがもたらす利点 が何なのか気になる
quantization 自体の概念もあわせて説明してくれるとありがたい
ollama run claudeコマンドでもこのモデルを使えるのか気になるQwen チームの今回のリリースはうれしい
小型オープンウェイトのコーディングモデル は、特定の業界（例: 金融、ヘルスケア）で
クラウドアクセスが制限された開発チームがカスタムエージェントを作るのに有用だ
西側ではこうした市場はほとんど扱われておらず、Mistral だけが例外のように見える
他の AI 企業は短期的な収益だけを狙っているように感じる
本格的な作業をするなら、より大きなモデルを自前で動かせるハードウェアに投資すべきだ
10万ドル程度の機材でも、より大きなモデルをオンプレミスで動かせる
Qwen の 言語埋め込み特性 が興味深い
関連分析ツイート
Qwen は他のモデルと違って 試験中心の分布（basin） に位置しているという
Qwen 幹部が Twitter でどのモデルをオープンソース化してほしいかという投票をしたが、
27B版が最も人気 だったにもかかわらず公開されなかった
A3B 構造は蒸留が速いため、近いうちに出るかもしれない
後者のほうが速く、「賢く」感じられる
同じ VRAM なら 27B dense モデルのほうがより大きなコンテキストを扱え、品質も高くなるはずだ
ローカルテストで Qwen3.5-35B-A3B をかなり使ってきたが、
自分の環境で動くモデルの中では最も強力だった
特に Mudler APEX-I-Quality と Byteshape Q3_K_S-3.40bpw の quant 版が印象的だった
RTX 3060 12GB 環境でメモリの余裕ができ、速度も 40 t/s 以上に向上した
以前は詰まっていたプロジェクト改善も自力でやってのける
この種の AIソフトウェアのリリース がいちばん楽しみだ
大げさなリスクマーケティングもなく、サブスクリプション料金もなく、純粋に試してみたいモデルだ
ほとんどのユースケースで実用的になることを願っている
みんなこういうローカルモデルを実際どう使っているのか気になる
Anthropic や OpenAI のトークンを借りるのと比べてどんな価値があるのか知りたい
文書フォーマットがばらばらなので以前は複雑なルールベースのパイプラインを使っていたが、
今では マルチモーダル能力 で言語+ビジョンの組み合わせによる抽出が可能になった
映像分析には十分実用的で、テキスト要約や翻訳はより大きなモデルで処理している
リアルタイムでなければ速度より品質が重要なので、バッチ処理 に向いている
完全に プライベートなセルフホストモデル がほしい
SaaS サービスの終了にうんざりしていて、LLM も結局はセルフホスティングに向かうべきだと思う
トークン制限や速度制限なしで GPU を 100% 活用できた
たとえば Gemma 4 を iPhone でオフライン翻訳機として使っているが、
Apple Translate より速く正確だ
小さな JSON 修正作業 のような場合はローカルモデルのほうがはるかに効率的だ