GetInfoUs
Head-to-Head Model Comparison

Qwen3.5 397B-A17B vs Qwen3.5 122B-A10B

Benchmarks, API Token Pricing, Context Window & Speed Comparison

Geprüft vom GetInfoUs-ForschungsteamZuletzt geprüft: October 2026Redaktionelle Richtlinien
Teilen
Related topics (12)
AI CompareAI BenchmarkToken PricingModel CostModel SpecsSWE-bench CodingModel VersusWhich AI ModelLLM Speed & LatencyReasoning ModelsExtended ThinkingPrompt Caching ROI
Qwen3.5 397B-A17B vs Qwen3.5 122B-A10B: Benchmarks, Pricing & Speed Comparison

Qwen3.5 397B-A17B von Alibaba und Qwen3.5 122B-A10B von Alibaba gehören zu den führenden KI-Modellen. Qwen3.5 397B-A17B bietet ein Kontextfenster von 262.1K Tokens bei API-Preisen von $0.00/$0.00 pro 1M Tokens, während Qwen3.5 122B-A10B 262.1K Tokens Kontext zu $0.00/$0.00 pro 1M Tokens bereitstellt. Hier finden Sie den vollständigen Benchmark-, Latenz- und Kostenvergleich.

Direktvergleich (VS)

Beliebige Modelle wechseln & vergleichen

Select any AI models from our verified benchmark database to generate live side-by-side matrices.

Profile
Profile
Multi-Model Arena Stack:
5-Model Matrix Workbench
Popular Matchups:
Alibaba

Qwen3.5 397B-A17B

Open-Weights-Basismodell

Qwen3.5 397B-A17B von Alibaba ist ein KI-Modell für Self-Hosting im eigenen Rechenzentrum, Fine-Tuning und volle Datensouveränität mit 262K Kontextfenster, 64 Token/s Durchsatz, einem Intelligenz-Index von 86/100 und kostenlosem Open-Weight

Intelligence Index86 / 100
Input Token:

$0.00 / 1M

Output Token:

$0.00 / 1M

Context Window:

262.1K tokens

SWE-bench Verified:

58%

Alibaba

Qwen3.5 122B-A10B

Nativ Multimodale KI

Qwen3.5 122B-A10B von Alibaba ist ein KI-Modell für nativ multimodale Verarbeitung von Text und Bild sowie visuelle Dokumentenanalyse mit 262K Kontextfenster, 78 Token/s Durchsatz, einem Intelligenz-Index von 82/100 und kostenlosem Open-Wei

Intelligence Index82 / 100
Input Token:

$0.00 / 1M

Output Token:

$0.00 / 1M

Context Window:

262.1K tokens

SWE-bench Verified:

N/A

Wichtigste Unterschiede auf einen Blick

  • Both models cost the same under this workload — choose on capability, not price.
  • Qwen3.5 122B-A10B is faster at 78 tok/s vs 64 tok/s.
Need definitions for token pricing, context, or benchmarks?Explore AI Glossary →
FeatureQwen3.5 397B-A17BQwen3.5 122B-A10B
Intelligence Index
Composite reasoning & knowledge score (0-100)
8682
Provider
AlibabaAlibaba
Input Price
Cost per million input tokens
$0.00 / 1M$0.00 / 1M
Output Price
Cost per million output tokens
$0.00 / 1M$0.00 / 1M
Blended Price
Weighted 7:2:1 cache:input:output per 1M
$0.00 / 1M$0.00 / 1M
Context Window
Maximum input + output tokens
262.1K tokens~393 A4 pages of text262.1K tokens~393 A4 pages of text
Max Output Tokens
Per single request
16K16K
Throughput Speed
Tokens generated per second
64 tok/s78 tok/s
SWE-bench Verified
Real-world software engineering
58%N/A
GPQA Diamond
Graduate-level reasoning
70%65.5%

Wer gewinnt in welcher Disziplin?

At-a-glance decision framework
Coding

Evaluations ongoing

Cost
Tied
Identical monthly runtime cost
Speed
Qwen3.5 122B-A10B
+22% faster generation
Context
Tied
262.1K tokens window

Geprüfte Benchmark-Ergebnisse im Vergleich

Official evaluation metrics verified by independent third-party research labs.

Qwen3.5 397B-A17BQwen3.5 122B-A10B
SWE-bench Verified (Autonomous Coding)

Industry benchmark evaluating real-world GitHub issue resolution and multi-file debugging.

58%vsN/A
GPQA Diamond (Doctorate-Level Science & Math)

Challenging questions created by domain experts to test complex PhD-level reasoning.

70%vs65.5%
MMLU-Pro (Multi-task Language Understanding)

Hardened reasoning and academic knowledge benchmark with reduced lucky-guess probability.

83.5%vs80.5%
LMSYS Chatbot Arena Elo

Crowdsourced human preference evaluation based on blind, head-to-head model battles.

1385ptsvs1350pts
Generation Speed (Throughput)

Tokens emitted per second during active generation streaming.

64 tok/s vs78 tok/s

Latenz & Antwortzeit

Time to first token (TTFT) and estimated end-to-end response time for a typical 500-token response.

Time to First Token (TTFT)Lower is better
Qwen3.5 397B-A17B0.65s
Qwen3.5 122B-A10B0.51s
Est. End-to-End Response (500 tokens)TTFT + generation time
Qwen3.5 397B-A17B8.46s
Qwen3.5 122B-A10B6.92s

Interaktiver Token-Kosten-Simulator

Adjust sliders to calculate projected monthly cloud API spending with prompt caching discounts.

100K / day
10K500K1M
30K / day
5K150K300K
50% cached
0% (Cold)50%90% (Warm)
Qwen3.5 397B-A17B Monthly API Bill
$0.00 / month
$0/1M in · $0/1M out
Qwen3.5 122B-A10B Monthly API Bill
$0.00 / month
$0/1M in · $0/1M out
These models cost the same under this workload — no savings either way.Break-even

Qwen3.5 397B-A17B · Strengths & Key Advantages

  • 262K Kontextfenster und bis zu 16K maximale Output-Token (SWE-bench Verified 58% · GPQA Diamond 70%)
  • Hohe Generierungsgeschwindigkeit von 64 Token/Sekunde bei nur 650 ms Erstlatenz (TTFT)
  • Offene Modellgewichte (397B total (17B MoE)) für lokales Self-Hosting und Fine-Tuning über vLLM, SGLang oder Ollama
Considerations & Trade-offs
  • Erfordert dedizierte GPU-Hardware mit ausreichend VRAM für den lokalen Betrieb in voller Präzision
  • Bei extrem komplexen mehrstufigen Forschungsfragen bieten schwere Reasoning-Spezialmodelle noch tiefere Analysen

Qwen3.5 122B-A10B · Strengths & Key Advantages

  • 262K Kontextfenster und bis zu 16K maximale Output-Token (GPQA Diamond 65.5% · MMLU-Pro 80.5%)
  • Hohe Generierungsgeschwindigkeit von 78 Token/Sekunde bei nur 510 ms Erstlatenz (TTFT)
  • Offene Modellgewichte (122B total (10B MoE)) für lokales Self-Hosting und Fine-Tuning über vLLM, SGLang oder Ollama
Considerations & Trade-offs
  • Erfordert dedizierte GPU-Hardware mit ausreichend VRAM für den lokalen Betrieb in voller Präzision
  • Bei extrem komplexen mehrstufigen Forschungsfragen bieten schwere Reasoning-Spezialmodelle noch tiefere Analysen

Token Use & Task Economics

Estimated cost and token consumption to complete one representative agentic task.

MetricQwen3.5 397B-A17BQwen3.5 122B-A10B
Cost per Task
Estimated USD to finish one task
$0.00$0.00
Output Tokens / Task
Tokens generated per task
22K18K
Reasoning Tokens / Task
Thinking tokens burned per task
8K5K

Technische Spezifikationen

Architecture, release timeline, capabilities, and modalities.

FeatureQwen3.5 397B-A17BQwen3.5 122B-A10B
Official API Model ID (SDK)qwen3-5-397b-a17b-instructqwen3-5-122b-a10b-instruct
API ProtocolOpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGIOpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI
Release Date2026-022026-02
Knowledge CutoffDecember 2025December 2025
ArchitectureNext-Gen Multimodal Sparse Mixture-of-ExpertsEfficient Open Multimodal MoE Transformer
Parameters397B total (17B active MoE)122B total (10B active MoE)
Enterprise Rate Limits (RPM / TPM)Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed CloudUnlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud
Long-Context Tier (>128K/200K)Free across full context window (only KV-cache VRAM scales)Free across full context window (only KV-cache VRAM scales)
Prompt Cache Policy & TTLAutomatic prefix KV-caching in vLLM / SGLang (0 cost)Automatic prefix KV-caching in vLLM / SGLang (0 cost)
Computer Use / GUI AgentSupported (Screen coordinate grounding, browser & desktop GUI action loops)Supported (Screen coordinate grounding, browser & desktop GUI action loops)
MCP & Parallel Tool CallingNative MCP Client/Server ready · Parallel function calling · 100% Strict JSON SchemaNative MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema
Web Search Grounding & SandboxSupported via external Tavily/Exa Search & E2B/Docker Sandbox toolsSupported via external Tavily/Exa Search & E2B/Docker Sandbox tools
Official Fine-Tuning SupportFull Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory)Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory)
Multimodal Token BillingText BPE (~4 chars/token) · Vision (~258–765 tokens per image tile)Text BPE (~4 chars/token) · Vision (~258–765 tokens per image tile)
Quantization & Min GPU VRAMBF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 246 GB VRAM (4-bit Quantized) · 854 GB VRAM (Native BF16)BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 76 GB VRAM (4-bit Quantized) · 262 GB VRAM (Native BF16)
Safety & Frontier ClassificationOpen-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma)Open-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma)
Enterprise Compliance (ZDR/HIPAA/SOC2)100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control
Input Modalitiestext, visiontext, vision
Output Modalitiestexttext

Qwen3.5 397B-A17B vs Qwen3.5 122B-A10B: Schnelle Antworten (FAQ)

Which is more intelligent, Qwen3.5 397B-A17B or Qwen3.5 122B-A10B?

Qwen3.5 397B-A17B is more intelligent. It scores 86 compared with 82 on the composite Intelligence Index.

Which model is faster?

Qwen3.5 122B-A10B is faster, generating 78 tokens per second compared with 64 tokens per second.

Which model has lower latency?

Qwen3.5 122B-A10B has lower latency, with a time to first token of 0.51s compared with 0.65s.

Fazit

Sowohl Qwen3.5 397B-A17B (Optimal für Self-Hosting im eigenen Rechenzentrum, Fine-Tuning und volle Datensouveränität, Enterprise-RAG-Systeme und skalierbare API-Pipelines.) als auch Qwen3.5 122B-A10B (Optimal für nativ multimodale Verarbeitung von Text und Bild sowie visuelle Dokumentenanalyse, Enterprise-RAG-Systeme und skalierbare API-Pipelines.) überzeugen im Produktionseinsatz: Qwen3.5 397B-A17B führt bei komplexem Reasoning und Coding, Qwen3.5 122B-A10B liefert den höheren Token-Durchsatz und Qwen3.5 397B-A17B ist die kosteneffizienteste Wahl für große API-Workloads.

Häufig gestellte Fragen (FAQ)

Welches Modell ist besser für Coding und Reasoning – Qwen3.5 397B-A17B oder Qwen3.5 122B-A10B?+

Im Gesamt-Intelligenzindex und bei Software-Benchmarks liegt Qwen3.5 397B-A17B vorn. Prüfen Sie oben die SWE-bench- und GPQA-Werte für Ihren Anwendungsfall.

Wie unterscheiden sich die API-Preise von Qwen3.5 397B-A17B und Qwen3.5 122B-A10B?+

Qwen3.5 397B-A17B kostet $0.00 / $0.00 pro 1M Input-/Output-Tokens, Qwen3.5 122B-A10B liegt bei $0.00 / $0.00. Beim gewichteten Gesamtpreis ist Qwen3.5 397B-A17B günstiger.

Welches Modell hat das größere Kontextfenster und die höhere Geschwindigkeit?+

Qwen3.5 397B-A17B bietet 262.1K Tokens Kontext gegenüber 262.1K Tokens bei Qwen3.5 122B-A10B. Bei der Generierungsgeschwindigkeit liegt Qwen3.5 122B-A10B vorn.

AI Terminology & Guide
Explore Glossary →

Understand key metrics like context window, token pricing, reasoning mode, and SWE-bench scores in our comprehensive AI glossary.

Tokens & PricingContext WindowAI BenchmarksReasoning ModelsTool CallingModel Context Protocol (MCP)

Related reading

Benchmark scores, token prices, and rate limits evolve rapidly as AI labs release model updates. Always verify current specifications and pricing on the official provider documentation.

Offizielle Quellen: Offizielle API-Dokumentation von Alibaba und Alibaba, Systemkarten und unabhängige Benchmark-Auswertungen (2026).