Qwen 3.6 35B A3B 与 Qwen 3.5 122B A10B 对比
摘要
用户反馈，尽管基准测试表现亮眼，Qwen 3.5 122B 在多步任务上大幅领先 Qwen 3.6 35B，怀疑是量化或部署配置问题。
有没有人对比过这两款模型？对我来说，3.5 122B 明显碾压 3.6。只要任务多几步，3.6 就开始掉链子。之所以发问，是因为看某些榜单 3.6 分数挺高，我怀疑自己是不是哪里配错了？实际体验完全相反。如果能优化一下、兼得速度就太香了，各位有招儿吗？
编辑：我这边用的是 Qwen3.5 122b UD-Q5_K_XL 和 Qwen3.6 35b UD-Q8_K_XL。也许该上完整 BF16，但我感觉差距不该这么大。CUDA runtime 是 13.1，我知道 13.2 对小量化版有坑。
相似文章
Qwen/Qwen3.6-35B-A3B-FP8
阿里巴巴发布了Qwen3.6-35B-A3B-FP8，这是Qwen3.6的开源权重量化变体，拥有35B参数，通过MoE激活3B，具有改进的智能编码能力和保持思维链的迭代开发特性。
Qwen 3.6 35B A3B 的热度绝非虚名！
作者对小型本地 LLM 进行了基准测试，重点突出了 Qwen 3.6 35B A3B，其将学术代码与研究论文进行映射的能力优于 Gemma 4 和 Nemotron 3 Nano 等模型。
@KyleHessling1：兄弟们，我彻底震惊了。Qwen 3.6 27B 的提升幅度，就像直接从 Qwen 27B 3.5 跨到 Qwen 4。我刚跑完一整套前端设计测试和智能体基准，全部由它完成。结论：效果远超预期，我完全惊呆。
早期用户反馈：Qwen 3.6 27B 相比 3.5 性能暴涨，在前端设计与智能体基准上表现尤为亮眼。
Qwen 3.6 27B 还是 Qwen 3.5 35B 用于 AI 智能体？
比较了 Qwen 3.6 27B 和 Qwen 3.5 35B 模型在 AI 智能体应用中的使用情况，讨论了它们的性能和适用性。
Qwen 3.6 35B GGUF：跨GPU和CPU的NTP vs MTP量化结果
ByteShape发布了Qwen 3.6 35B GGUF的NTP和MTP变体量化，并在多个GPU和CPU上进行了详细基准测试，发现更大的量化模型通常优于较小的模型，MTP以内存为代价提供了GPU速度提升。