Head-to-Head Model Comparison

Qwen3.5 122B-A10B vs Qwen3-Next 80B-A3B (Thinking)

Benchmarks, API Token Pricing, Context Window & Speed Comparison

Vérifié par l’équipe de recherche de GetInfoUsDernière révision : October 2026Politique éditoriale

Changez et Comparez les Modèles

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

Qwen3.5 122B-A10BProfile

Qwen3-Next 80B-A3B (Thinking)Profile

Multi-Model Arena Stack:

5-Model Matrix Workbench

Popular Matchups:

Alibaba

Qwen3.5 122B-A10B

IA Multimodale Native

Qwen3.5 122B-A10B de Alibaba est un modèle d’IA conçu pour la compréhension multimodale native (texte, vision) et l’analyse de documents complexes, offrant une fenêtre de contexte de 262K, une vitesse de 78 tokens/s, un indice d’intelligenc

Intelligence Index82 / 100

Input Token:

$0.00 / 1M

Output Token:

$0.00 / 1M

Context Window:

262.1K tokens

SWE-bench Verified:

N/A

Alibaba

Qwen3-Next 80B-A3B (Thinking)

Modèle de Base à Poids Ouverts

Qwen3-Next 80B-A3B (Thinking) de Alibaba est un modèle d’IA conçu pour l’auto-hébergement sur infrastructure privée, le fine-tuning et la souveraineté des données, offrant une fenêtre de contexte de 131K, une vitesse de 95 tokens/s, un indi

Intelligence Index82 / 100

Input Token:

$0.00 / 1M

Output Token:

$0.00 / 1M

Context Window:

131.1K tokens

SWE-bench Verified:

46%

Différences Clés en un Coup d’Œil

Both models cost the same under this workload — choose on capability, not price.
Qwen3.5 122B-A10B has a larger context window (262K vs 131K tokens).
Qwen3-Next 80B-A3B (Thinking) is faster at 95 tok/s vs 78 tok/s.

Need definitions for token pricing, context, or benchmarks?Explore AI Glossary →

Caractéristique	Qwen3.5 122B-A10B	Qwen3-Next 80B-A3B (Thinking)
Intelligence Index Composite reasoning & knowledge score (0-100)	82	82
Provider	Alibaba	Alibaba
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 text	131.1K tokens~197 A4 pages of text
Max Output Tokens Per single request	16K	16K
Throughput Speed Tokens generated per second	78 tok/s	95 tok/s
SWE-bench Verified Real-world software engineering	N/A	46%
GPQA Diamond Graduate-level reasoning	65.5%	68.5%

Qui gagne où ?

At-a-glance decision framework

Code

Evaluations ongoing

Coût

Tied

Identical monthly runtime cost

Vitesse

Qwen3-Next 80B-A3B (Thinking)

+22% faster generation

Contexte

Qwen3.5 122B-A10B

262.1K tokens window

Scores de Benchmarks Vérifiés

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

Qwen3.5 122B-A10BQwen3-Next 80B-A3B (Thinking)

SWE-bench Verified (Autonomous Coding)

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

N/Avs46%

GPQA Diamond (Doctorate-Level Science & Math)

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

65.5%vs68.5%

MMLU-Pro (Multi-task Language Understanding)

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

80.5%vs80%

LMSYS Chatbot Arena Elo

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

1350ptsvs1345pts

AIME (Advanced Math Competition)

American Invitational Mathematics Examination — multi-step Olympiad-level reasoning.

N/Avs82%

Generation Speed (Throughput)

Tokens emitted per second during active generation streaming.

78 tok/s vs95 tok/s

Latence et Temps de Réponse

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 122B-A10B0.51s

Qwen3-Next 80B-A3B (Thinking)0.54s

Est. End-to-End Response (500 tokens)TTFT + generation time

Qwen3.5 122B-A10B6.92s

Qwen3-Next 80B-A3B (Thinking)5.80s

Simulateur Interactif de Coût de Tokens

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

Daily Input Tokens100K / day

10K500K1M

Daily Output Tokens30K / day

5K150K300K

Prompt Cache Hit Ratio50% cached

0% (Cold)50%90% (Warm)

Qwen3.5 122B-A10B Monthly API Bill

$0.00 / month

$0/1M in · $0/1M out

Qwen3-Next 80B-A3B (Thinking) 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 122B-A10B · Strengths & Key Advantages

Fenêtre de contexte de 262K et capacité de sortie maximale de 16K tokens (GPQA Diamond 65.5% · MMLU-Pro 80.5%)
Débit rapide de 78 tokens/seconde avec une latence au premier token (TTFT) de 510 ms
Poids ouverts (122B total (10B MoE)) permettant un déploiement sur site ou cloud privé via vLLM, SGLang ou Ollama

Considerations & Trade-offs

Nécessite des serveurs GPU dotés de suffisamment de mémoire VRAM pour l’inférence locale à pleine précision
Sur les problèmes de recherche fondamentale très complexes, les modèles de raisonnement lourd restent supérieurs

Qwen3-Next 80B-A3B (Thinking) · Strengths & Key Advantages

Fenêtre de contexte de 131K et capacité de sortie maximale de 16K tokens (SWE-bench Verified 46% · GPQA Diamond 68.5%)
Débit rapide de 95 tokens/seconde avec une latence au premier token (TTFT) de 540 ms
Poids ouverts (80B total (3B MoE)) permettant un déploiement sur site ou cloud privé via vLLM, SGLang ou Ollama

Considerations & Trade-offs

Nécessite des serveurs GPU dotés de suffisamment de mémoire VRAM pour l’inférence locale à pleine précision
Sur les problèmes de recherche fondamentale très complexes, les modèles de raisonnement lourd restent supérieurs

Token Use & Task Economics

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

Metric	Qwen3.5 122B-A10B	Qwen3-Next 80B-A3B (Thinking)
Cost per Task Estimated USD to finish one task	$0.00	$0.00
Output Tokens / Task Tokens generated per task	18K	20K
Reasoning Tokens / Task Thinking tokens burned per task	5K	12K

Spécifications Techniques

Architecture, release timeline, capabilities, and modalities.

Caractéristique	Qwen3.5 122B-A10B	Qwen3-Next 80B-A3B (Thinking)
Official API Model ID (SDK)	qwen3-5-122b-a10b-instruct	qwen3-next-80b-a3b-thinking-instruct
API Protocol	OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI	OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI
Release Date	2026-02	2025-09
Knowledge Cutoff	December 2025	August 2025
Architecture	Efficient Open Multimodal MoE Transformer	Deliberate Reasoning Sparse Mixture-of-Experts
Parameters	122B total (10B active MoE)	80B total (3B active MoE)
Enterprise Rate Limits (RPM / TPM)	Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud	Unlimited (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 & TTL	Automatic prefix KV-caching in vLLM / SGLang (0 cost)	Automatic prefix KV-caching in vLLM / SGLang (0 cost)
Computer Use / GUI Agent	Supported (Screen coordinate grounding, browser & desktop GUI action loops)	API / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop)
MCP & Parallel Tool Calling	Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema	Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema
Web Search Grounding & Sandbox	Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools	Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools
Official Fine-Tuning Support	Full 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 Billing	Text BPE (~4 chars/token) · Vision (~258–765 tokens per image tile)	Text BPE (~4 chars/token)
Quantization & Min GPU VRAM	BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 76 GB VRAM (4-bit Quantized) · 262 GB VRAM (Native BF16)	BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 50 GB VRAM (4-bit Quantized) · 172 GB VRAM (Native BF16)
Safety & Frontier Classification	Open-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 Control	100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control
Input Modalities	text, vision	text
Output Modalities	text	text

Qwen3.5 122B-A10B vs Qwen3-Next 80B-A3B (Thinking): Réponses Rapides (FAQ)

Which model is faster?

Qwen3-Next 80B-A3B (Thinking) is faster, generating 95 tokens per second compared with 78 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 0.54s.

Which model has a larger context window?

Qwen3.5 122B-A10B has a larger context window, supporting 262.1K tokens compared with 131.1K tokens.

Verdict

Qwen3.5 122B-A10B (Conçu pour la compréhension multimodale native (texte, vision) et l’analyse de documents complexes, l’intégration RAG et les pipelines de production évolutifs.) et Qwen3-Next 80B-A3B (Thinking) (Conçu pour l’auto-hébergement sur infrastructure privée, le fine-tuning et la souveraineté des données, l’intégration RAG et les pipelines de production évolutifs.) répondent à des besoins complémentaires : Qwen3.5 122B-A10B domine sur les benchmarks de raisonnement et de programmation, Qwen3-Next 80B-A3B (Thinking) assure un débit supérieur et Qwen3.5 122B-A10B offre le meilleur rapport coût-efficacité en production.

Questions fréquentes

Quel modèle choisir pour le code et le raisonnement, Qwen3.5 122B-A10B ou Qwen3-Next 80B-A3B (Thinking) ?+

Sur l’indice d’intelligence composite et les tests de code, Qwen3.5 122B-A10B prend l’avantage. Consultez les scores SWE-bench et GPQA ci-dessus pour plus de détails.

Quelle est la différence de prix API entre Qwen3.5 122B-A10B et Qwen3-Next 80B-A3B (Thinking) ?+

Qwen3.5 122B-A10B est facturé $0.00 / $0.00 par million de tokens (entrée/sortie) contre $0.00 / $0.00 pour Qwen3-Next 80B-A3B (Thinking). En coût pondéré, Qwen3.5 122B-A10B est plus économique.

Quel modèle offre la plus grande fenêtre de contexte et la meilleure vitesse ?+

Qwen3.5 122B-A10B prend en charge 262.1K tokens contre 131.1K tokens pour Qwen3-Next 80B-A3B (Thinking). Côté vitesse de génération, Qwen3-Next 80B-A3B (Thinking) est le plus rapide.

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 & Pricing Context Window AI Benchmarks Reasoning Models Tool Calling Model Context Protocol (MCP)

Qwen3.5 122B-A10B vs Qwen3-Next 80B-A3B (Thinking)

Changez et Comparez les Modèles

Qwen3.5 122B-A10B

Qwen3-Next 80B-A3B (Thinking)

Qui gagne où ?

Scores de Benchmarks Vérifiés

Latence et Temps de Réponse

Simulateur Interactif de Coût de Tokens

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

Considerations & Trade-offs

Qwen3-Next 80B-A3B (Thinking) · Strengths & Key Advantages

Considerations & Trade-offs

Token Use & Task Economics

Spécifications Techniques

Qwen3.5 122B-A10B vs Qwen3-Next 80B-A3B (Thinking): Réponses Rapides (FAQ)

Verdict

Questions fréquentes

Related reading