一、主要功能

1. 多规格模型支持：预计开源 2B 密集模型与 35B-A3B MoE 模型，满足轻量部署与高性能推理的不同需求。
2. 原生视觉理解：作为 VLM 模型，无需额外插件即可实现文本与视觉信息的融合处理，支持多模态输入任务。
3. 全新注意力机制：搭载自研混合注意力机制，相比前代模型进一步提升推理效率与内容理解能力。
4. 跨框架适配：已完成 HuggingFace Transformers、sglang、llama.cpp、LocalAI 等多个主流 AI 开发框架的适配开发，可直接在各类框架中调用。
5. 文本与视觉双任务处理：兼顾纯文本生成、推理、编码等基础任务，以及图像理解、图文交互、视觉问答等多模态任务。

二、技术原理

1. 混合注意力机制：采用阿里自研的全新混合注意力架构，优化注意力计算的效率与精度，平衡模型性能与部署成本。
2. 原生 VLM 架构设计：将视觉理解模块与语言模型底层融合，而非简单的模块拼接，实现图文信息的深度交互与统一处理，提升多模态任务表现。
3. MoE 混合专家模型设计：35B-A3B 版本采用混合专家架构，通过激活不同专家模块处理不同类型任务，在保证模型性能的同时降低推理资源消耗。
4. 优化的旋转位置编码（RoPE）：修复并优化了旋转位置编码的验证逻辑，提升长文本处理的准确性与稳定性。
5. 轻量化密集模型设计：2B 密集模型采用精简的网络架构，适配端侧、边缘端等低资源环境的部署需求，兼顾轻量化与实用性。
6. 统一的配置与模型加载：简化视觉与文本模型的配置逻辑，优化纯文本模型的加载流程，提升模型调用与部署的便捷性。

三、应用场景

1. 端侧 / 边缘端 AI 应用：2B 密集模型可部署在手机、嵌入式设备、小型服务器等低资源环境，实现本地文本生成、简单图文问答等功能。
2. 云端高性能推理：35B-A3B MoE 模型可部署在云端服务器，处理复杂的文本生成、逻辑推理、多模态视觉问答、图文创作等高端任务。
3. AI 开发与二次定制：开发者可基于 HuggingFace 等适配框架，快速调用 Qwen3.5 模型进行二次开发，定制行业专属 AI 应用。
4. 多模态产品研发：可应用于智能客服、视觉问答机器人、图文创作工具、智能分析系统等多模态 AI 产品的研发。
5. 开源社区生态建设：作为开源模型，为 AI 研究人员、开发者提供基础模型底座，推动自然语言处理与计算机视觉融合的技术研究。

四、使用方法

1. 框架直接调用：在已适配的 HuggingFace Transformers、sglang、llama.cpp 等框架中，通过简单的代码指令即可加载并调用 Qwen3.5 模型。
2. 模型部署：2B 密集模型可直接进行端侧、本地部署；35B-A3B MoE 模型可通过云端服务器进行分布式部署，适配高并发场景。
3. 单 / 多模态任务执行：纯文本任务可直接输入文本指令获取结果；多模态任务可同时输入文本与图像，实现图文交互与视觉理解。
4. 二次开发与定制：基于开源的模型代码与权重，开发者可根据行业需求对模型进行微调、裁剪与功能定制，开发专属 AI 应用。

五、适用人群

1. AI 开发者 / 工程师：需要基础大模型进行二次开发、产品研发的企业与个人开发者。
2. AI 技术研究人员：从事自然语言处理、计算机视觉、多模态融合等领域研究的科研人员。
3. 企业技术团队：需要部署轻量化或高性能 AI 模型，开发智能产品、提升业务效率的各行业企业技术团队。
4. 开源技术爱好者：关注大模型技术、热衷开源项目探索与实践的技术爱好者。
5. 端侧 AI 产品研发者：需要适配低资源环境，开发端侧、边缘端 AI 应用的研发人员。

六、优缺点介绍

优点

1. 多规格选择：同时推出密集模型与 MoE 模型，满足从端侧轻量化到云端高性能的全场景部署需求。
2. 原生多模态：底层融合视觉理解模块，多模态任务处理能力更优，无需额外插件适配。
3. 跨框架适配：已完成多个主流 AI 框架的适配，开发者可直接在熟悉的框架中调用，降低使用门槛。
4. 开源属性：全版本开源，无商用授权限制，适合企业与开发者进行二次开发与定制。
5. 技术优化：采用全新混合注意力机制与优化的位置编码，模型性能与推理效率相比前代有明显提升。

缺点

1. 暂未正式发布：目前仅完成代码适配，尚未正式开源发布，模型实际表现与稳定性待验证。
2. MoE 模型部署复杂：35B-A3B MoE 模型架构相对复杂，对部署环境的技术要求较高，新手部署难度较大。
3. 视觉能力细节未知：作为原生 VLM 模型，其视觉理解的精度、支持的图像格式与分辨率等细节尚未公布。
4. 暂无实际应用案例：缺乏真实场景的应用案例与性能测试数据，开发者难以评估其实际适配性。