Qwen3.5 35B-A3B vs Qwen3.5 27B
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
Qwen3.5 35B-A3B de Alibaba et Qwen3.5 27B de Alibaba sont deux modèles d’IA de premier plan. Qwen3.5 35B-A3B propose une fenêtre de contexte de 262.1K tokens au tarif de $0.00/$0.00 par million de tokens, tandis que Qwen3.5 27B offre 262.1K tokens de contexte à $0.00/$0.00 par million de tokens. Découvrez ci-dessous le comparatif détaillé des performances et des coûts.
Changez et Comparez les Modèles
Select any AI models from our verified benchmark database to generate live side-by-side matrices.
Qwen3.5 35B-A3B
IA Multimodale NativeQwen3.5 35B-A3B 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 125 tokens/s, un indice d’intelligence
$0.00 / 1M
$0.00 / 1M
262.1K tokens
N/A
Qwen3.5 27B
Modèle de Base à Poids OuvertsQwen3.5 27B 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 262K, une vitesse de 90 tokens/s, un indice d’intelligence
$0.00 / 1M
$0.00 / 1M
262.1K tokens
N/A
Différences Clés en un Coup d’Œil
- Both models cost the same under this workload — choose on capability, not price.
- Qwen3.5 35B-A3B is faster at 125 tok/s vs 90 tok/s.
| Caractéristique | Qwen3.5 35B-A3B | Qwen3.5 27B |
|---|---|---|
Intelligence Index Composite reasoning & knowledge score (0-100) | 77 | 75 |
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 | 262.1K tokens~393 A4 pages of text |
Max Output Tokens Per single request | 8K | 8K |
Throughput Speed Tokens generated per second | 125 tok/s | 90 tok/s |
SWE-bench Verified Real-world software engineering | N/A | N/A |
GPQA Diamond Graduate-level reasoning | 59% | 56.5% |
Qui gagne où ?
At-a-glance decision frameworkEvaluations ongoing
Scores de Benchmarks Vérifiés
Official evaluation metrics verified by independent third-party research labs.
Challenging questions created by domain experts to test complex PhD-level reasoning.
Hardened reasoning and academic knowledge benchmark with reduced lucky-guess probability.
Crowdsourced human preference evaluation based on blind, head-to-head model battles.
Tokens emitted per second during active generation streaming.
Latence et Temps de Réponse
Time to first token (TTFT) and estimated end-to-end response time for a typical 500-token response.
Simulateur Interactif de Coût de Tokens
Adjust sliders to calculate projected monthly cloud API spending with prompt caching discounts.
Qwen3.5 35B-A3B · Strengths & Key Advantages
- Fenêtre de contexte de 262K et capacité de sortie maximale de 8K tokens (GPQA Diamond 59% · MMLU-Pro 76.5%)
- Débit rapide de 125 tokens/seconde avec une latence au premier token (TTFT) de 340 ms
- Poids ouverts (35B 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
Qwen3.5 27B · Strengths & Key Advantages
- Fenêtre de contexte de 262K et capacité de sortie maximale de 8K tokens (GPQA Diamond 56.5% · MMLU-Pro 74%)
- Débit rapide de 90 tokens/seconde avec une latence au premier token (TTFT) de 410 ms
- Poids ouverts (27B) 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 35B-A3B | Qwen3.5 27B |
|---|---|---|
Cost per Task Estimated USD to finish one task | $0.00 | $0.00 |
Output Tokens / Task Tokens generated per task | 14K | 13K |
Reasoning Tokens / Task Thinking tokens burned per task | 0K | 0K |
Spécifications Techniques
Architecture, release timeline, capabilities, and modalities.
| Caractéristique | Qwen3.5 35B-A3B | Qwen3.5 27B |
|---|---|---|
| Official API Model ID (SDK) | qwen3-5-35b-a3b-instruct | qwen3-5-27b-instruct |
| API Protocol | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI |
| Release Date | 2026-02 | 2026-02 |
| Knowledge Cutoff | December 2025 | December 2025 |
| Architecture | Lightweight Multimodal MoE Transformer | Dense Multimodal Autoregressive Transformer |
| Parameters | 35B total (3B active MoE) | 27B |
| 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) | Supported (Screen coordinate grounding, browser & desktop GUI action loops) |
| 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) · Vision (~258–765 tokens per image tile) |
| Quantization & Min GPU VRAM | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 22 GB VRAM (4-bit Quantized) · 75 GB VRAM (Native BF16) | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 17 GB VRAM (4-bit Quantized) · 58 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, vision |
| Output Modalities | text | text |
Qwen3.5 35B-A3B vs Qwen3.5 27B: Réponses Rapides (FAQ)
Which is more intelligent, Qwen3.5 35B-A3B or Qwen3.5 27B?
Qwen3.5 35B-A3B is more intelligent. It scores 77 compared with 75 on the composite Intelligence Index.
Which model is faster?
Qwen3.5 35B-A3B is faster, generating 125 tokens per second compared with 90 tokens per second.
Which model has lower latency?
Qwen3.5 35B-A3B has lower latency, with a time to first token of 0.34s compared with 0.41s.
Verdict
Qwen3.5 35B-A3B (Conçu pour la compréhension multimodale native (texte, vision) et l’analyse de documents complexes, l’intégration RAG et les pipelines de production évolutifs.) et Qwen3.5 27B (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 35B-A3B domine sur les benchmarks de raisonnement et de programmation, Qwen3.5 35B-A3B assure un débit supérieur et Qwen3.5 35B-A3B offre le meilleur rapport coût-efficacité en production.
Questions fréquentes
Quel modèle choisir pour le code et le raisonnement, Qwen3.5 35B-A3B ou Qwen3.5 27B ?+
Sur l’indice d’intelligence composite et les tests de code, Qwen3.5 35B-A3B 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 35B-A3B et Qwen3.5 27B ?+
Qwen3.5 35B-A3B est facturé $0.00 / $0.00 par million de tokens (entrée/sortie) contre $0.00 / $0.00 pour Qwen3.5 27B. En coût pondéré, Qwen3.5 35B-A3B est plus économique.
Quel modèle offre la plus grande fenêtre de contexte et la meilleure vitesse ?+
Qwen3.5 35B-A3B prend en charge 262.1K tokens contre 262.1K tokens pour Qwen3.5 27B. Côté vitesse de génération, Qwen3.5 35B-A3B est le plus rapide.
Understand key metrics like context window, token pricing, reasoning mode, and SWE-bench scores in our comprehensive AI glossary.
Related reading
- Qwen3.5 27B vs DeepSeek Chat : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Qwen3.5 27B vs Qwen3-Next 80B-A3B Instruct : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Qwen3.5 35B-A3B vs DeepSeek Chat : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Qwen3.5 9B vs Qwen3.5 35B-A3B : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Aion-3.0 vs Aion-Mini : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Aion-3.0 vs Gemini 3.6 Flash : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
Les scores de benchmarks, tarifs par token et limites évoluent rapidement. Vérifiez toujours les spécifications actuelles sur la documentation officielle du fournisseur.
Sources: Documentation API officielle de Alibaba et Alibaba, fiches système et benchmarks indépendants (2026).