ai/qwen3.6-safetensors
Qwen3.6-35B-A3B是阿里云Qwen开发的多模态大语言模型，具备350亿总参数（30亿激活参数），融合视觉与语言理解能力，专注于编码、智能体任务及视觉语言理解，提供高效推理与扩展上下文支持。
让 AI 帮你使用轩辕镜像？ · 展开查看说明 · 点击收起说明
如果你使用 DeepSeek、元宝 AI、Copilot、ChatGPT 等 AI 工具，协助配置轩辕镜像、编写 docker pull 命令、修改 Docker Compose 镜像地址、配置镜像加速、排查镜像拉取失败、分析报错日志等问题，请先让 AI 阅读并遵守轩辕镜像的规则文档。
只需在 AI 对话中先发送下面这段话即可：
请先阅读并遵守：https://xuanyuan.cloud/agents.md
未读文档前不要生成 pull 命令或排错方案。查看 agents.md 用法指南与完整示范。国内用户首推 元宝 AI、DeepSeek 的深度思考模式，不推荐豆包 AI；Cursor 等编辑器可在对话 @ 该链接，或加入 User Rules。 若 AI 无法访问外链，可 打开说明文档 复制全文粘贴。文档会随站点更新，复制内容可能过期，建议定期检查。
Qwen3.6-35B-A3B
Qwen3.6-35B-A3B是阿里云Qwen开发的多模态大语言模型，融合视觉与语言理解能力及高级推理功能。基于社区直接反馈构建，该模型注重稳定性和实际效用，为开发者提供更直观、响应迅速且真正高效的编码体验。
继2025年2月Qwen3.5系列发布后，Qwen3.6是首个开放权重变体，在智能体编码和思维保留方面实现重大升级。模型现在能更流畅、精准地处理前端工作流和仓库级推理。一项关键创新是引入保留历史消息推理上下文的新选项，简化迭代开发并减少开销。
凭借350亿总参数及通过混合专家架构激活的30亿参数，Qwen3.6-35B-A3B在编码基准、智能体任务、多模态理解和通用推理方面提供最先进性能，同时保持高效推理特性。
特性
| 属性 | 值 |
|---|---|
| 提供者 | Qwen (阿里云) |
| 架构 | Qwen3_5MoeForConditionalGeneration (混合专家) |
| 支持语言 | 英语、中文及多语言 |
| 输入模态 | 文本、图像、视频 |
| 输出模态 | 文本 |
| 许可证 | Apache 2.0 |
| 上下文长度 | 原生262,144 tokens，可扩展至1,010,000 tokens |
| 参数规模 | 总350亿，激活30亿 |
使用Docker Model Runner运行模型
bashdocker model run qwen3.6-safetensors
更多信息，请查看https://docs.docker.com/desktop/features/model-runner/。
基准测试
编码智能体基准测试
| 基准测试 | Qwen3.5-27B | Gemma4-31B | Qwen3.5-35BA3B | Gemma4-26BA4B | Qwen3.6-35BA3B |
|---|---|---|---|---|---|
| SWE-bench Verified | 75.0 | 52.0 | 70.0 | 17.4 | 73.4 |
| SWE-bench Multilingual | 69.3 | 51.7 | 60.3 | 17.3 | 67.2 |
| SWE-bench Pro | 51.2 | 35.7 | 44.6 | 13.8 | 49.5 |
| Terminal-Bench 2.0 | 41.6 | 42.9 | 40.5 | 34.2 | 51.5 |
| Claw-Eval (平均) | 64.3 | 48.5 | 65.4 | 58.8 | 68.7 |
| Claw-Eval (Pass^3) | 46.2 | 25.0 | 51.0 | 28.0 | 50.0 |
| SkillsBench (Avg5) | 27.2 | 23.6 | 4.4 | 12.3 | 28.7 |
| QwenClawBench | 52.2 | 41.7 | 47.7 | 38.7 | 52.6 |
| NL2Repo | 27.3 | 15.5 | 20.5 | 11.6 | 29.4 |
| QwenWebBench | 1068 | 1197 | 978 | 1178 | 1397 |
通用智能体基准测试
| 基准测试 | Qwen3.5-27B | Gemma4-31B | Qwen3.5-35BA3B | Gemma4-26BA4B | Qwen3.6-35BA3B |
|---|---|---|---|---|---|
| TAU3-Bench | 68.4 | 67.5 | 68.9 | 59.0 | 67.2 |
| VITA-Bench | 41.8 | 43.0 | 29.1 | 36.9 | 35.6 |
| DeepPlanning | 22.6 | 24.0 | 22.8 | 16.2 | 25.9 |
| Tool Decathlon | 31.5 | 21.2 | 28.7 | 12.0 | 26.9 |
| MCPMark | 36.3 | 18.1 | 27.0 | 14.2 | 37.0 |
| MCP-Atlas | 68.4 | 57.2 | 62.4 | 50.0 | 62.8 |
| WideSearch | 66.4 | 35.2 | 59.1 | 38.3 | 60.1 |
知识基准测试
| 基准测试 | Qwen3.5-27B | Gemma4-31B | Qwen3.5-35BA3B | Gemma4-26BA4B | Qwen3.6-35BA3B |
|---|---|---|---|---|---|
| MMLU-Pro | 86.1 | 85.2 | 85.3 | 82.6 | 85.2 |
| MMLU-Redux | 93.2 | 93.7 | 93.3 | 92.7 | 93.3 |
| SuperGPQA | 65.6 | 65.7 | 63.4 | 61.4 | 64.7 |
| C-Eval | 90.5 | 82.6 | 90.2 | 82.5 | 90.0 |
STEM与推理基准测试
| 基准测试 | Qwen3.5-27B | Gemma4-31B | Qwen3.5-35BA3B | Gemma4-26BA4B | Qwen3.6-35BA3B |
|---|---|---|---|---|---|
| GPQA | 85.5 | 84.3 | 84.2 | 82.3 | 86.0 |
| HLE | 24.3 | 19.5 | 22.4 | 8.7 | 21.4 |
| LiveCodeBench v6 | 80.7 | 80.0 | 74.6 | 77.1 | 80.4 |
| HMMT Feb 25 | 92.0 | 88.7 | 89.0 | 91.7 | 90.7 |
| HMMT Nov 25 | 89.8 | 87.5 | 89.2 | 87.5 | 89.1 |
| HMMT Feb 26 | 84.3 | 77.2 | 78.7 | 79.0 | 83.6 |
| IMOAnswerBench | 79.9 | 74.5 | 76.8 | 74.3 | 78.9 |
| AIME 26 | 92.6 | 89.2 | 91.0 | 88.3 | 92.7 |
视觉语言基准测试
| 基准测试 | Qwen3.5-27B | Claude-Sonnet-4.5 | Gemma4-31B | Gemma4-26BA4B | Qwen3.5-35B-A3B | Qwen3.6-35B-A3B |
|---|---|---|---|---|---|---|
| MMMU | 82.3 | 79.6 | 80.4 | 78.4 | 81.4 | 81.7 |
| MMMU-Pro | 75.0 | 68.4 | 76.9 | 73.8 | 75.1 | 75.3 |
| MathVista (mini) | 87.8 | 79.8 | 79.3 | 79.4 | 86.2 | 86.4 |
| ZEROBench_sub | 36.2 | 26.3 | 26.0 | 26.3 | 34.1 | 34.4 |
| RealWorldQA | 83.7 | 70.3 | 79.3 | 75.6 | 81.9 | 82.1 |
模型架构
Qwen3.6-35B-A3B采用先进的混合专家（MoE）架构：
- 总参数：350亿，每令牌激活30亿
- 隐藏维度：2048
- 层数：40
- 隐藏布局：10 × (3 × (Gated DeltaNet → MoE) → 1 × (Gated Attention → MoE))
- Gated DeltaNet：
- 线性注意力头数：V为32，QK为16
- 头维度：128
- Gated Attention：
- 注意力头数：Q为16，KV为2
- 头维度：256
- 旋转位置嵌入维度：64
- 混合专家：
- 专家数量：256
- 激活专家数量：8个路由专家 + 1个共享专家
- 专家中间维度：512
- 令牌嵌入：248,320（填充）
- 上下文长度：原生262,144 tokens，可扩展至1,010,000 tokens
- 多令牌预测（MTP）：通过多步预测训练
关键特性
智能体编码
Qwen3.6擅长处理前端工作流和仓库级推理，具备更高流畅度和精准度。模型在编码智能体基准测试（包括SWE-bench、Terminal-Bench及各类前端开发任务）中表现出最先进性能。
思维保留
保留历史消息推理上下文的新选项，实现更连贯的多轮交互，简化迭代开发并减少计算开销。
多模态理解
原生支持文本、图像和视频输入，可完成文档处理、图表分析、视觉问答等综合视觉理解任务。
扩展上下文
原生支持262K tokens，可扩展至100万以上tokens，能处理整个代码库、长文档和复杂多轮对话。
链接
- https://huggingface.co/Qwen/Qwen3.6-35B-A3B
- https://qwen.ai/blog?id=qwen3.6
注意事项
- 模型针对编码和智能体任务优化，尤其擅长仓库级操作和前端开发
- 多模态能力支持同时处理图像、视频和文本输入
- 建议使用适当温度设置以获得最佳性能（智能体任务：temp=1.0，top_p=0.95；确定性编码任务：temp=0.6）
- 混合专家架构通过每令牌仅激活350亿参数中的30亿，实现高效推理
- 扩展上下文支持（最高100万tokens）需适当内存分配，可能影响推理速度
- 内置工具调用和函数执行能力，非常适合智能体应用
生成工具
本模型卡片由https://github.com/docker/cagent-action自动生成。 想了解更多关于Docker Model Runner？查看项目仓库：https://github.com/docker/model-runner。
镜像拉取方式
您可以使用以下命令拉取该镜像。请将 <标签> 替换为具体的标签版本。如需查看所有可用标签版本，请访问 标签列表页面。
轩辕镜像加速拉取命令点我查看更多 qwen3.6-safetensors 镜像标签
docker model pull docker.xuanyuan.run/ai/qwen3.6-safetensors:<标签>
DockerHub 原生拉取命令
docker model pull ai/qwen3.6-safetensors:<标签>
镜像拉取常见问题
功能
错误码
用户好评
来自真实用户的反馈，见证轩辕镜像的优质服务
oldzhang
运维工程师
Linux服务器
5
"Docker访问体验非常流畅，大镜像也能快速完成下载。"