Qwen3.5 397B-A17B vs Qwen3.5 122B-A10B
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
Qwen3.5 397B-A17B de Alibaba et Qwen3.5 122B-A10B de Alibaba sont deux modèles d’IA de premier plan. Qwen3.5 397B-A17B propose une fenêtre de contexte de 262.1K tokens au tarif de $0.00/$0.00 par million de tokens, tandis que Qwen3.5 122B-A10B 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 397B-A17B
Modèle de Base à Poids OuvertsQwen3.5 397B-A17B 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 64 tokens/s, un indice d’intelli
$0.00 / 1M
$0.00 / 1M
262.1K tokens
58%
Qwen3.5 122B-A10B
IA Multimodale NativeQwen3.5 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
$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 122B-A10B is faster at 78 tok/s vs 64 tok/s.
| Caractéristique | Qwen3.5 397B-A17B | Qwen3.5 122B-A10B |
|---|---|---|
Intelligence Index Composite reasoning & knowledge score (0-100) | 86 | 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 | 262.1K tokens~393 A4 pages of text |
Max Output Tokens Per single request | 16K | 16K |
Throughput Speed Tokens generated per second | 64 tok/s | 78 tok/s |
SWE-bench Verified Real-world software engineering | 58% | N/A |
GPQA Diamond Graduate-level reasoning | 70% | 65.5% |
Qui gagne où ?
At-a-glance decision frameworkEvaluations ongoing
Scores de Benchmarks Vérifiés
Official evaluation metrics verified by independent third-party research labs.
Industry benchmark evaluating real-world GitHub issue resolution and multi-file debugging.
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 397B-A17B · Strengths & Key Advantages
- Fenêtre de contexte de 262K et capacité de sortie maximale de 16K tokens (SWE-bench Verified 58% · GPQA Diamond 70%)
- Débit rapide de 64 tokens/seconde avec une latence au premier token (TTFT) de 650 ms
- Poids ouverts (397B total (17B 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 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
Token Use & Task Economics
Estimated cost and token consumption to complete one representative agentic task.
| Metric | Qwen3.5 397B-A17B | Qwen3.5 122B-A10B |
|---|---|---|
Cost per Task Estimated USD to finish one task | $0.00 | $0.00 |
Output Tokens / Task Tokens generated per task | 22K | 18K |
Reasoning Tokens / Task Thinking tokens burned per task | 8K | 5K |
Spécifications Techniques
Architecture, release timeline, capabilities, and modalities.
| Caractéristique | Qwen3.5 397B-A17B | Qwen3.5 122B-A10B |
|---|---|---|
| Official API Model ID (SDK) | qwen3-5-397b-a17b-instruct | qwen3-5-122b-a10b-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 | Next-Gen Multimodal Sparse Mixture-of-Experts | Efficient Open Multimodal MoE Transformer |
| Parameters | 397B 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 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) · 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 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 397B-A17B vs Qwen3.5 122B-A10B: Réponses Rapides (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.
Verdict
Qwen3.5 397B-A17B (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.) et 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.) répondent à des besoins complémentaires : Qwen3.5 397B-A17B domine sur les benchmarks de raisonnement et de programmation, Qwen3.5 122B-A10B assure un débit supérieur et Qwen3.5 397B-A17B offre le meilleur rapport coût-efficacité en production.
Questions fréquentes
Quel modèle choisir pour le code et le raisonnement, Qwen3.5 397B-A17B ou Qwen3.5 122B-A10B ?+
Sur l’indice d’intelligence composite et les tests de code, Qwen3.5 397B-A17B 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 397B-A17B et Qwen3.5 122B-A10B ?+
Qwen3.5 397B-A17B est facturé $0.00 / $0.00 par million de tokens (entrée/sortie) contre $0.00 / $0.00 pour Qwen3.5 122B-A10B. En coût pondéré, Qwen3.5 397B-A17B est plus économique.
Quel modèle offre la plus grande fenêtre de contexte et la meilleure vitesse ?+
Qwen3.5 397B-A17B prend en charge 262.1K tokens contre 262.1K tokens pour Qwen3.5 122B-A10B. Côté vitesse de génération, Qwen3.5 122B-A10B 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
- GLM-4.7-FlashX vs Qwen3.5 122B-A10B : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Qwen3.5 122B-A10B vs Qwen3-Next 80B-A3B (Thinking) : Comparatif Benchmarks, Tarifs API et Vitesse (2026)Comparer
- Qwen3.5 397B-A17B vs Llama 5 : 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
- Aion-Mini vs Laguna XS 2.1 : 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).