Модели Qwen — Обзор и сравнение моделей

Alibaba Cloud и открытая AI-стратегия — как Qwen стал конкурентом OpenAI

Серия Qwen от Alibaba Cloud появилась в 2023 году — тогда её воспринимали как сугубо регионального игрока для китайского рынка. Прошло два года, и картина изменилась радикально. Qwen3.5-Plus конкурирует с GPT-4o и Claude Sonnet по большинству стандартных бенчмарков, стоит в 5–8 раз дешевле и поддерживает 201 язык, включая русский, казахский, узбекский и другие языки СНГ.

Что принципиально отличает Qwen от западных конкурентов — это политика открытых весов. Большинство моделей Qwen выходят под лицензией Apache 2.0 через Hugging Face: их можно скачать, развернуть локально, дообучить на своих данных или запустить в корпоративной сети без передачи данных наружу. GPT-4o и Claude — только API, только облако, только чужие сервера. Для бизнеса с требованиями к приватности данных это принципиальное различие.

За 2025–2026 год Alibaba выпустила два крупных обновления линейки: Qwen3 в апреле 2025-го и Qwen3.5 в феврале 2026-го. Это не просто шаг вперёд — это качественный скачок, который изменил соотношение сил на рынке open-source AI. Обсуждения архитектурных решений Qwen регулярно попадают на первые страницы Хабра и специализированных ML-сообществ.

Mixture-of-Experts и почему 3B активных параметров бьют 235B

Прежде чем переходить к обзору конкретных моделей, стоит разобраться с архитектурой, которая лежит в основе большинства Qwen3 и всех Qwen3.5. Mixture-of-Experts (MoE) — это не маркетинговый термин, а реальная инженерная концепция с измеримыми последствиями для пользователей. В MoE-сети параметры разделены на специализированные «экспертные блоки», и при обработке каждого токена активируется только небольшое их подмножество.

Qwen3.5-35B-A3B — хороший пример того, как это работает. У модели 35B общих параметров, но на каждый токен активируется лишь 3B. Несмотря на это, на большинстве бенчмарков она превосходит Qwen3-235B-A22B предыдущего поколения — модель, которая в 7 раз крупнее по общему числу параметров. Для пользователя это означает одно: скорость inference сопоставима с маленькой моделью, а качество — как у большой.

MoE-модели обходятся в 3–5 раз дешевле в расчёте на задачу по сравнению с dense-аналогами того же качества. Именно это объясняет, почему Qwen3.5-35B-A3B через API стоит $0.10 за миллион входных токенов — цена, при которой даже небольшие стартапы могут строить полноценные AI-продукты без серьёзных затрат на инфраструктуру.

При этом MoE-архитектура не без изъянов. Специализация экспертов иногда даёт непредсказуемое поведение на нетипичных промптах или редких доменах. Dense-модели вроде Qwen3-32B ведут себя стабильнее «на краях» данных. Для задач в узких профессиональных областях — медицина, юриспруденция, специализированная инженерия — рекомендую отдельно тестировать MoE vs dense на вашем конкретном датасете перед production-внедрением.

Гибридное мышление в Qwen3 и как правильно использовать thinking mode

Одно из самых значимых нововведений линейки Qwen3 — hybrid thinking mode. Это возможность переключаться между режимом детального пошагового рассуждения (thinking mode) и режимом быстрых прямых ответов (non-thinking mode) прямо в ходе одного разговора. У OpenAI и Anthropic аналогов нет — там reasoning-модели (o1, o3, Claude Extended Thinking) отделены от «обычных» версий.

На практике всё просто. Добавьте /no_think в начало промпта — модель ответит быстро, без развёрнутого рассуждения. Уберите флаг — включится цепочка рассуждений. Qwen3.5-Plus пошёл дальше и добавил режим Auto, где модель сама определяет нужную глубину в зависимости от сложности запроса. Для вопроса «переведи фразу на английский» Auto выберет быстрый ответ; для «реши задачу по комбинаторике с доказательством» — автоматически включит thinking.

Прирост от thinking mode реален и измерим. На математическом бенчмарке AIME 2025 Qwen3-32B в thinking mode показывает результат, сопоставимый с o1-mini, хотя значительно дешевле. На задачах LiveCodeBench thinking mode добавляет 15–20 процентных пунктов точности. При этом стоимость запроса возрастает пропорционально глубине рассуждения — это важно учитывать при проектировании бюджета.

Не включайте thinking mode везде по умолчанию. Для RAG-систем, суммаризации, классификации и генерации текста — это лишние расходы без заметного эффекта. Thinking mode стоит включать для математики, алгоритмических задач, сложного code review, юридического анализа и любых задач, где одна ошибка дорого обходится. Qwen3.5-Plus с режимом Auto — самое удобное решение для тех, кто не хочет думать об этом вручную.

Модели Qwen — что выбрать и для каких задач

Перейдём к конкретике. Ниже — детальный разбор каждой модели с реальными сценариями использования и честными ограничениями.

Qwen3.5-Plus — флагман с 1 миллионом токенов контекста

Qwen3.5-Plus — флагманская hosted-модель февраля 2026 года с архитектурой MoE 397B/17B. Контекстное окно в 1 000 000 токенов — не маркетинговый трюк, а примерно 750 000 слов или несколько крупных кодовых баз одновременно. Claude 3.5 Sonnet работает с 200K токенов, GPT-4o — с 128K.

Три режима работы — Auto, Thinking, Fast — делают эту модель универсальной. Режим Auto с веб-поиском и code execution превращает её в агентную систему «из коробки». Нативная мультимодальность (изображения до 1344×1344, видео до 60 секунд) закрывает задачи, которые раньше требовали отдельного pipeline с vision-моделью.

Реально выигрывает там, где нужно работать с большим объёмом информации без потери контекста — анализ многостраничных контрактов, технических документов целиком, мультимодальные пайплайны и задачи с поиском в реальном времени. По цене $0.40–0.50 за 1M входных токенов это одна из самых доступных frontier-моделей. Claude Sonnet 4.6 при сопоставимом качестве стоит $3.00.

Единственное ограничение — Qwen3.5-Plus недоступна для локального развёртывания, только через API. Если нужен on-premise из-за требований к приватности данных, смотрите на Qwen3.5-122B-A10B.

Qwen3.5-122B-A10B — максимум для серверного on-premise

Qwen3.5-122B-A10B занимает нишу между компактными и облачными моделями. 122B общих параметров при 10B активных — это сильнее Qwen3-235B предыдущего поколения при вдвое меньших требованиях к памяти. Для self-hosted развёртывания нужно 2–4 × A100 80GB в зависимости от квантизации.

Главный сценарий использования — корпоративный on-premise, когда данные не могут покидать периметр сети, но нужно качество уровня frontier. Банки, медтех, юридические компании, государственные структуры. DeltaNet-архитектура обеспечивает быстрое декодирование на длинных контекстах — важный плюс для работы с большими документами.

Честно говоря, для большинства задач разница между Qwen3.5-122B-A10B и Qwen3.5-Plus через API незначительна. Без строгих требований к приватности или регуляторных ограничений — через API дешевле и проще. Смысл в этой модели появляется именно тогда, когда «облако» под запретом.

Qwen3.5-35B-A3B — революция для локального запуска

Qwen3.5-35B-A3B — самое впечатляющее достижение Alibaba с точки зрения эффективности. Модель с 35B общих параметров превосходит Qwen3-235B-A22B предыдущего поколения на большинстве бенчмарков. Это как если бы компактный спортивный автомобиль обогнал SUV в 7 раз тяжелее — за счёт принципиально иной инженерии.

RTX 3090 или RTX 4090 с 24 ГБ VRAM достаточно для полноценного запуска через Ollama или llama.cpp. Скорость вывода в Q4_K_M квантизации — около 35–45 токенов в секунду на одной карте, что вполне комфортно для интерактивного использования. Открытые веса Apache 2.0 — скачивайте, дообучайте, встраивайте в продукт без ограничений.

Лично мне Qwen3.5-35B-A3B кажется самой интересной моделью в обзоре именно из-за экономики. Нулевые расходы на API, полный контроль над данными, производительность уровня GPT-4 — всё это на железе за 100–150 тысяч рублей. Для индивидуального разработчика или небольшой команды это смена парадигмы.

Ограничение: 128K токенов контекста против 1M у Qwen3.5-Plus. Для большинства задач это не проблема, но для анализа больших кодовых баз или объёмных документов придётся либо выбрать другую модель, либо добавлять чанкинг в pipeline.

Qwen3-235B-A22B — флагман первого поколения Qwen3

Qwen3-235B-A22B вышел в апреле 2025 года и тогда произвёл настоящий эффект — первая открытая модель, которая по большинству бенчмарков сравнялась с GPT-4o и Claude Opus 3. 235B общих параметров, 22B активных, поддержка 119 языков, гибридное мышление.

Сейчас, год спустя, Qwen3-235B-A22B остаётся актуальным для тех, кто уже развернул его on-premise и не хочет переходить на Qwen3.5 до следующего цикла апдейтов инфраструктуры. Для новых развёртываний Qwen3.5-35B-A3B выигрывает по всем параметрам — меньше ресурсов, выше качество, быстрее инференс.

Qwen3-235B всё ещё имеет смысл при наличии крупных A100-кластеров с запасом VRAM (минимум 4 × A100 80GB), для задач на редких языках из 119-языкового покрытия, а также в ситуациях, где важен максимальный размер dense-эксперта в каждом MoE-блоке для специфических доменов.

Qwen3-32B — плотная модель с характером

Qwen3-32B — единственная плотная (dense) модель в этом обзоре среди крупных. 32.8B параметров, все участвуют в каждом токене. Звучит как недостаток на фоне MoE-моделей, но dense-архитектура даёт стабильность поведения на нетипичных задачах и предсказуемость на «краях» распределения данных.

По математике и программированию Qwen3-32B — один из сильнейших в своём ценовом сегменте. На AIME 2025 он показывает результат, сопоставимый с Qwen3-235B-A22B. LiveCodeBench — аналогичная история. Если ваш основной профиль — автоматизация кода, генерация тестов, code review или математические вычисления — Qwen3-32B стоит рассмотреть всерьёз.

Запускается на 2 × A100 80GB, что делает его доступным для команд со скромным GPU-парком. Поддержка tool calling и function calling — на уровне лучших открытых моделей. В агентных системах с инструментами (базы данных, API, браузер) Qwen3-32B ведёт себя надёжно.

Qwen3-30B-A3B — скорость против качества

Qwen3-30B-A3B — самая быстрая модель в обзоре: у неё только 3B активных параметров из 30B, и скорость инференса примерно в 3–4 раза выше, чем у Qwen3-32B при близком качестве ответов. Для сервисов с высокой нагрузкой и требованием к низкой латентности — интересный вариант.

Типичный сценарий — chatbot с тысячами одновременных пользователей, где важна скорость ответа и стоимость за запрос, а не максимальное качество. Qwen3-30B-A3B в production-сервисе обходится в разы дешевле Qwen3-32B при сопоставимом пользовательском опыте для большинства запросов.

Если скорость не критична, а качество важно — выбирайте Qwen3-32B или Qwen3.5-35B-A3B. Qwen3-30B-A3B нишевое решение для конкретного класса задач, а не универсальный выбор «по умолчанию». Оба варианта работают на 24 ГБ VRAM через llama.cpp.

Qwen против GPT-4o и Claude — где реальное преимущество

Сравнение языковых моделей — тема, где легко скатиться в маркетинг. Попробуем оттолкнуться от конкретных задач.

Написание кода. Qwen3.5-Plus и Claude Sonnet 4.6 показывают близкие результаты на SWE-bench (~77–79% правильных решений), при этом Qwen стоит в 6–8 раз дешевле за токен. Для code generation и code review в production-системах Qwen3.5-Plus — один из самых выгодных вариантов на рынке.

Логика и рассуждения. Claude Opus 4.7 пока превосходит Qwen3.5-Plus на сложных задачах из области науки и права (GPQA Diamond: 91% против ~85%). Разница реальная, но для большинства практических задач она незначима. Для академических исследований или специализированных профессиональных задач Claude остаётся более безопасным выбором.

Мультиязычность. Здесь Qwen вне конкуренции — 201 язык и диалект в Qwen3.5 против 70+ у конкурентов. Для русского, казахского, украинского, узбекского — Qwen показывает заметно лучшее качество перевода и понимания, чем GPT-4o. Это объясняется тем, что обучающий корпус Alibaba включает значительную долю нелатинских языков.

Цена. Qwen3.5-35B-A3B через API — $0.10/$0.40 за 1M токенов. GPT-4o — $2.50/$10.00. Claude Sonnet 4.6 — $3.00/$15.00. Разница в 7–25 раз. При объёме в несколько миллионов токенов в день — это десятки тысяч рублей ежемесячной экономии.

Для подавляющего большинства production-задач Qwen через API — рациональный основной выбор. Claude остаётся лучшим вариантом там, где критично максимальное качество рассуждений. GPT-4o — для экосистемы OpenAI и специфических задач, где важна совместимость с OpenAI-инструментами.

Реальные сценарии использования — кому какая модель подходит

Разработчик-фрилансер или небольшая команда. Qwen3.5-35B-A3B локально на RTX 4090 — нулевые расходы на API, полная приватность, скорость 35–45 т/с. Нет нужного железа — то же самое через AITUNNEL за $0.10/1M токенов.

SaaS-продукт с большим числом пользователей. Qwen3-30B-A3B для простых запросов (скорость и низкая цена), Qwen3.5-Plus для сложных задач и мультимодальных функций. Маршрутизация запросов по сложности — стандартная оптимизация в production.

Корпоративный on-premise с требованиями к приватности. Qwen3.5-122B-A10B на 2–4 × A100 даёт баланс между качеством, ресурсами и изоляцией данных. Альтернатива — Qwen3-32B на 2 × A100 с упором на стабильность и кодирование.

Анализ больших документов или кодовых баз целиком. Только Qwen3.5-Plus с 1M контекста. Никакой чанкинг не заменит возможность загрузить всё сразу — потери контекста исчезают, качество анализа принципиально выше.

Математика, олимпиадные задачи, сложная логика. Qwen3-32B или Qwen3.5-Plus в thinking mode. Для исследовательских задач Qwen3-235B-A22B всё ещё показывает конкурентные результаты на специализированных математических бенчмарках.

Перевод и работа с языками СНГ. Любая модель Qwen3.5 справляется лучше конкурентов. Для объёмных задач перевода Qwen3.5-35B-A3B через API — оптимальное соотношение качества и стоимости.