QwenLM/Qwen3.6

# Qwen3.6 欢迎来到 Qwen3.6（及 Qwen3.5）的 GitHub 仓库。在这里，您可以找到关于 Qwen3.6 的官方信息（用户指南，即将推出），提出您的问题（[Issues](https://github.com/QwenLM/Qwen3.6/issues)），并与社区分享您的想法（[讨论](https://github.com/QwenLM/Qwen3.6/discussions)）。 ## 简介 ### Qwen3.6 Qwen3.6 是 Qwen 模型家族的最新成员。基于 Qwen3.5 的基础性突破，此次发布优先考虑了稳定性和实际效用。它为开发者提供了更直观、响应更迅速且真正高效的编码体验，这些改进均源自社区的直接反馈。此次更新带来了实质性的升级，特别是在： - **Agentic Coding：** 模型现在能以更流畅、更精准的方式处理前端工作流和代码库级推理。 - **Thinking Preservation：** 一项新功能可在对话历史中保留思考上下文，从而简化迭代开发并减少开销。 ### Qwen3.5 近几个月来，我们加强了对开发基础模型的关注，以提供出色的实用性和性能。Qwen3.5 代表了重大飞跃，它整合了多模态学习、架构效率、强化学习规模和全球可访问性方面的突破，为开发者和企业赋能，提供前所未有的能力和效率。 Qwen3.5 具有以下增强功能： - **统一的视觉语言基础**：在数万亿多模态 token 上进行早期融合训练，实现了与 Qwen3 的跨代平等，并在推理、编码、智能体和视觉理解基准测试中超越了 Qwen3-VL 模型。 - **高效的混合架构**：Gated Delta Networks 结合稀疏 Mixture-of-Experts，以极低的延迟和成本开销提供高吞吐量推理。 - **可扩展的 RL 泛化**：在包含百万级智能体的环境中进行扩展的强化学习，配合逐渐复杂的任务分布，以实现强大的真实世界适应性。 - **全球语言覆盖**：将支持扩展到 201 种语言和方言，通过细致入微的文化和区域理解，实现包容性的全球部署。 - **下一代训练基础设施**：多模态训练效率接近纯文本训练的 100%，并具备支持大规模 agent scaffolds 和环境编排的异步 RL 框架。 ## 新闻 - 2026-04-22：Qwen3.6-27B 现已在 [Hugging Face Hub](https://huggingface.co/collections/Qwen/qwen36) 和 [ModelScope](https://modelscope.cn/collections/Qwen/Qwen36) 上线。在在我们的[发布博客](https://qwen.ai/blog?id=qwen3.6-27b)了解更多！ - 2026-04-16：Qwen3.6-35B-A3B 现已在 [Hugging Face Hub](https://huggingface.co/collections/Qwen/qwen36) 和 [ModelScope](https://modelscope.cn/collections/Qwen/Qwen36) 上线。在我们的[发布博客](https://qwen.ai/blog?id=qwen3.6-35b-a3b)了解更多！ - 2026-03-02：Qwen3.5-9B、Qwen3.5-4B、Qwen3.5-2B 和 Qwen3.5-0.8B 现已在 [Hugging Face Hub](https://huggingface.co/collections/Qwen/qwen35) 和 [ModelScope](https://modelscope.cn/collections/Qwen/Qwen35) 上线！ - 2026-02-24：Qwen3.5-122B-A10B、Qwen3.5-35B-A3B 和 Qwen3.5-27B 已发布。前往 [Hugging Face Hub](https://huggingface.co/collections/Qwen/qwen35) 或 [ModelScope](https://modelscope.cn/collections/Qwen/Qwen35) 上的模型卡片了解更多信息！ - 2026-02-16：我们发布了 Qwen3.5。首次发布包含一个 397B-A17B MoE 模型。在我们的[发布博客](https://qwen.ai/blog?id=qwen3.5)阅读更多内容。更多尺寸即将推出，祝大家春节快乐！ - 2025-09-11：我们发布了 Qwen3-Next-80B-A3B，这是一个具有混合注意力架构的超稀疏 mixture-of-experts 模型，专为极致效率而设计。在我们的[博客](https://qwen.ai/blog?id=qwen3-next)阅读更多内容。 ## 模型 官方模型权重发布于： - [🤗Hugging Face Hub](https://huggingface.co/Qwen)：大多数 LLM 框架和应用程序支持通过指定模型 ID（例如 `Qwen/Qwen3.6-35B-A3B` 和 `Qwen/Qwen3.5-397B-A17B`）自动从 Hugging Face Hub 下载模型文件。 您也可以使用 `huggingface download` 或 `git clone` 手动下载模型文件。 请遵循模型页面上的说明。 - [🤖ModelScope](https://www.modelscope.cn/organization/Qwen)：对于无法访问 Hugging Face Hub 的用户，我们强烈建议使用 ModelScope。 对于支持的框架，您可以通过设置环境变量（如 `SGLANG_USE_MODELSCOPE=true` 或 `VLLM_USE_MODELSCOPE=true`）从 ModelScope 下载。 您也可以使用 `modelscope download` 或 `git clone` 手动下载模型文件。 请遵循模型页面上的说明。 ## 基准测试 **Qwen3.6 开源模型**   有关详细结果，请查看 [Qwen3.6-35B-A3B 博客](https://qwen.ai/blog?id=qwen3.6-35b-a3b) 和 [Qwen3.6-27B 博客](https://qwen.ai/blog?id=qwen3.6-27b)。 **Qwen3.5 开源模型**    有关详细结果，请查看 [Qwen3.5 博客](https://qwen.ai/blog?id=qwen3.5)。 ## 快速开始 要了解有关 Qwen3.6 的更多信息，欢迎阅读我们的文档（即将推出）。 ### 官方 您可以在我们的官方网站上试用 Qwen3.6，享受包含深度研究、Web 开发和自适应工具使用等额外功能的原生体验。 #### Qwen Studio 如果您只是想尝试一下 Qwen3.6，[Qwen Studio](https://chat.qwen.ai)（前身为 Qwen Chat）触手可及。 Qwen Studio 提供了 Web UI 以及桌面和移动应用程序，具有熟悉且易于使用的用户界面。 Qwen Studio 也是我们想法的试验场，展示了如何将 Qwen3.6 集成到您的工作流程和应用程序中。 #### Qwen API 官方 Qwen API 由[阿里云百炼](https://modelstudio.alibabacloud.com/)提供。 阿里云百炼为 Qwen3.6 提供了一流的支持，兼容包括 OpenAI 和 Anthropic 在内的各种 API 规范，让您可以轻松地在自己的应用中尝试 Qwen3.6。 #### Qwen Code [Qwen Code](https://github.com/QwenLM/qwen-code) 是一个针对终端的开源 AI agent，专为 Qwen 模型进行了优化。它可以帮助您理解大型代码库、自动化繁琐的工作，并更快地发布。 有关更多信息，请参阅 [Qwen Code](https://qwenlm.github.io/qwen-code-docs/)。 #### Qwen Agent 对于智能体开发，请查看 [Qwen-Agent](https://github.com/QwenLM/Qwen-Agent)。Qwen Agent 是一个开源的 AI agent 框架，可帮助您基于 Qwen 的指令遵循、工具使用、规划和记忆能力构建强大的 LLM 应用程序。 查看 [Qwen Agent](https://qwenlm.github.io/Qwen-Agent/en/) 了解更多！ ### 本地使用 #### Hugging Face Transformers [`transformers`](https://huggingface.co/transformers) 是当前开放权重 LLM 领域的模型定义框架。 它还包含用于 LLM 推理和训练的功能。`transformers` 中添加的服务功能使得在您的开发中集成新模型变得更加容易。 要启动服务器，只需使用 `transformers serve` 命令： ``` transformers serve --port 8000 --continuous-batching ``` 可以在 `http://localhost:8000/v1` 访问兼容 OpenAI 的 API，服务器会自动从 Hugging Face Hub 下载模型。 在服务器运行的情况下，您还可以直接从命令行与 Qwen3.6 交互： ``` transformers chat Qwen/Qwen3.6-35B-A3B ``` #### llama.cpp [`llama.cpp`](https://github.com/ggml-org/llama.cpp) 能够以最少的设置实现 LLM 推理，并在各种硬件上提供最先进的性能。 llama.cpp 支持 Qwen3.6（文本和视觉）。 请在 Hugging Face Hub 上寻找以 GGUF 结尾的模型。 #### MLX (Apple Silicon) 如果您使用的是 Apple Silicon，[`mlx-lm`](https://github.com/ml-explore/mlx-lm)（仅文本）和 [`mlx-vlm`](https://github.com/Blaizzy/mlx-vlm)（视觉+文本）都支持 Qwen3.6。请在 Hugging Face Hub 上寻找以 **MLX** 结尾的模型。 ### 部署 Qwen3.6 受到多种推理框架的支持。 这里我们展示 `SGLang` 和 `vLLM` 的使用方法。 #### SGLang [SGLang](https://github.com/sgl-project/sglang) 是一个用于大型语言模型和视觉语言模型的快速服务框架。 SGLang 可用于启动提供兼容 OpenAI API 服务的服务器。 ``` python -m sglang.launch_server --model-path Qwen/Qwen3.6-35B-A3B --port 8000 --tp-size 4 --context-length 262144 --reasoning-parser qwen3 ``` 兼容 OpenAI 的 API 将在 `http://localhost:30000/v1` 上可用。 #### vLLM [vLLM](https://github.com/vllm-project/vllm) 是一个面向 LLM 的高吞吐量和内存高效的推理及服务引擎。 vLLM 可用于启动提供兼容 OpenAI API 服务的服务器。 ``` vllm serve Qwen/Qwen3.6-35B-A3B --port 8000 --tensor-parallel-size 4 --max-model-len 262144 --reasoning-parser qwen3 ``` 兼容 OpenAI 的 API 将在 `http://localhost:8000/v1` 上可用。 ### 微调 我们建议您使用 [UnSloth](https://github.com/unslothai/unsloth)、[Swift](https://github.com/modelscope/swift)、[Llama-Factory](https://github.com/hiyouga/LLaMA-Factory) 等训练框架，通过 SFT、DPO、GRPO 等方法微调您的模型。 ## 许可协议 我们所有的开放权重模型均采用 Apache 2.0 许可。 您可以在相应的 Hugging Face 存储库中找到许可文件。 ## 引用 如果您觉得我们的工作有帮助，欢迎引用我们。 ``` @misc{qwen3.6-27b, title = {{Qwen3.6-27B}: Flagship-Level Coding in a {27B} Dense Model}, author = {{Qwen Team}}, year = {2026}, month = {April}, url = {https://qwen.ai/blog?id=qwen3.6-27b} } @misc{qwen3.6-35b-a3b, title = {{Qwen3.6-35B-A3B}: Agentic Coding Power, Now Open to All}, author = {{Qwen Team}}, year = {2026}, month = {April}, url = {https://qwen.ai/blog?id=qwen3.6-35b-a3b} } @misc{qwen3.5, title = {{Qwen3.5}: Towards Native Multimodal Agents}, author = {{Qwen Team}}, year = {2026}, month = {February}, url = {https://qwen.ai/blog?id=qwen3.5} } ``` ## 联系我们 如果您有兴趣向我们的研究团队或产品团队留言，请加入我们的 [Discord](https://discord.gg/z3GAxXZ9Ce) 或 [微信群组](https://github.com/QwenLM/Qwen3/blob/main/assets/wechat.png)！

标签：Agentic Coding, DLL 劫持, IPv6支持, LLM, Unmanaged PE, 人工智能, 凭据扫描, 多模态, 大语言模型, 用户模式Hook绕过, 系统调用监控, 逆向工具, 阿里巴巴