Qwen3 32B vs Qwen3 235B-A22B
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
AlibabaのQwen3 32BとAlibabaのQwen3 235B-A22Bは、注目度の高い主要AIモデルです。Qwen3 32Bは131.1K トークンのコンテキストウィンドウを備え、API料金は100万トークンあたり入力$0.00/出力$0.00、一方のQwen3 235B-A22Bは131.1K トークンのコンテキストで入力$0.00/出力$0.00です。以下でベンチマーク、速度、コストを詳しく比較します。
任意のAIモデルを切り替えて比較
Select any AI models from our verified benchmark database to generate live side-by-side matrices.
Qwen3 32B
オープンウェイト基盤モデルAlibaba の Qwen3 32B は、オンプレミス環境でのセルフホスト、ファインチューニング、完全なデータ主権の確保向けに設計されたAIモデルです。131K のコンテキストウィンドウ、毎秒 85 トークンの生成速度、知能指数 78/100（無料のオープンウェイト提供）を実現しています。
$0.00 / 1M
$0.00 / 1M
131.1K tokens
40%
Qwen3 235B-A22B
オープンウェイト基盤モデルAlibaba の Qwen3 235B-A22B は、オンプレミス環境でのセルフホスト、ファインチューニング、完全なデータ主権の確保向けに設計されたAIモデルです。131K のコンテキストウィンドウ、毎秒 68 トークンの生成速度、知能指数 83/100（無料のオープンウェイト提供）を実現しています。
$0.00 / 1M
$0.00 / 1M
131.1K tokens
48.5%
ひと目でわかる主な違い
- Both models cost the same under this workload — choose on capability, not price.
- Qwen3 32B is faster at 85 tok/s vs 68 tok/s.
- Qwen3 235B-A22B leads on SWE-bench coding (48.5% vs 40.0%).
| Feature | Qwen3 32B | Qwen3 235B-A22B |
|---|---|---|
Intelligence Index Composite reasoning & knowledge score (0-100) | 78 | 83 |
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 | 131.1K tokens~197 A4 pages of text | 131.1K tokens~197 A4 pages of text |
Max Output Tokens Per single request | 8K | 16K |
Throughput Speed Tokens generated per second | 85 tok/s | 68 tok/s |
SWE-bench Verified Real-world software engineering | 40% | 48.5% |
GPQA Diamond Graduate-level reasoning | 59% | 67% |
分野別勝者スコアカード
At-a-glance decision framework検証済みベンチマークスコア比較
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.
レイテンシ＆応答時間
Time to first token (TTFT) and estimated end-to-end response time for a typical 500-token response.
リアルタイムAPIトークン料金シミュレーター
Adjust sliders to calculate projected monthly cloud API spending with prompt caching discounts.
Qwen3 32B · Strengths & Key Advantages
- 131K のコンテキストウィンドウと最大 8K トークンの出力容量（SWE-bench Verified 40% · GPQA Diamond 59%）
- 毎秒 85 トークンの高速スループットと、初回トークン到達時間（TTFT）わずか 440ms の低遅延
- オープンウェイトモデル (32B)として vLLM・SGLang・Ollama を用いた自社GPUでのローカル運用が可能
Considerations & Trade-offs
- 非量子化のフル精度でローカル推論を行うには十分なGPU VRAM容量が必要です
- 極めて高度な専門科学の証明問題では、上位の大型推論特化モデルの方がより深い洞察を提供する場合があります
Qwen3 235B-A22B · Strengths & Key Advantages
- 131K のコンテキストウィンドウと最大 16K トークンの出力容量（SWE-bench Verified 48.5% · GPQA Diamond 67%）
- 毎秒 68 トークンの高速スループットと、初回トークン到達時間（TTFT）わずか 620ms の低遅延
- オープンウェイトモデル (235B total (22B MoE))として vLLM・SGLang・Ollama を用いた自社GPUでのローカル運用が可能
Considerations & Trade-offs
- 非量子化のフル精度でローカル推論を行うには十分なGPU VRAM容量が必要です
- 極めて高度な専門科学の証明問題では、上位の大型推論特化モデルの方がより深い洞察を提供する場合があります
Token Use & Task Economics
Estimated cost and token consumption to complete one representative agentic task.
| Metric | Qwen3 32B | Qwen3 235B-A22B |
|---|---|---|
Cost per Task Estimated USD to finish one task | $0.00 | $0.00 |
Output Tokens / Task Tokens generated per task | 16K | 22K |
Reasoning Tokens / Task Thinking tokens burned per task | 4K | 8K |
技術仕様・スペック
Architecture, release timeline, capabilities, and modalities.
| Feature | Qwen3 32B | Qwen3 235B-A22B |
|---|---|---|
| Official API Model ID (SDK) | qwen3-32b-instruct | qwen3-235b-a22b-instruct |
| API Protocol | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI |
| Release Date | 2025-04 | 2025-04 |
| Knowledge Cutoff | February 2025 | February 2025 |
| Architecture | Dense Autoregressive Transformer | Sparse Mixture-of-Experts Autoregressive Transformer |
| Parameters | 32B | 235B total (22B 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 | API / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop) | 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) | Text BPE (~4 chars/token) |
| Quantization & Min GPU VRAM | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 20 GB VRAM (4-bit Quantized) · 69 GB VRAM (Native BF16) | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 146 GB VRAM (4-bit Quantized) · 505 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 | text |
| Output Modalities | text | text |
Qwen3 32B vs Qwen3 235B-A22B: よくある質問 (FAQ)
Which is more intelligent, Qwen3 32B or Qwen3 235B-A22B?
Qwen3 235B-A22B is more intelligent. It scores 83 compared with 78 on the composite Intelligence Index.
Which model is faster?
Qwen3 32B is faster, generating 85 tokens per second compared with 68 tokens per second.
Which model has lower latency?
Qwen3 32B has lower latency, with a time to first token of 0.44s compared with 0.62s.
総合評価
Qwen3 32B（オンプレミス環境でのセルフホスト、ファインチューニング、完全なデータ主権の確保、エンタープライズRAG基盤、スケーラブルな本番API統合に最適。）とQwen3 235B-A22B（オンプレミス環境でのセルフホスト、ファインチューニング、完全なデータ主権の確保、エンタープライズRAG基盤、スケーラブルな本番API統合に最適。）はいずれも優れた選択肢です。高度な推論・コーディング精度ではQwen3 235B-A22Bがリードし、応答速度とスループットではQwen3 32Bが優れ、APIコスト効率ではQwen3 32Bが有利です。
よくある質問 (FAQ)
コーディングや複雑な推論には Qwen3 32B と Qwen3 235B-A22B のどちらが適していますか？+
総合知能指数およびコーディング評価では Qwen3 235B-A22B が優位です。上部の SWE-bench や GPQA スコアもあわせてご確認ください。
Qwen3 32B と Qwen3 235B-A22B ではどちらのAPI料金が安いですか？+
Qwen3 32B は100万トークンあたり入力$0.00 / 出力$0.00、Qwen3 235B-A22B は入力$0.00 / 出力$0.00です。総合的なコスト効率では Qwen3 32B がより経済的です。
コンテキスト長と生成速度はどちらが優れていますか？+
コンテキストウィンドウは Qwen3 32B が 131.1K トークン、Qwen3 235B-A22B が 131.1K トークン です。出力スピード（トークン/秒）では Qwen3 32B がリードしています。
Understand key metrics like context window, token pricing, reasoning mode, and SWE-bench scores in our comprehensive AI glossary.
Related reading
- Granite 3.3 8B vs Qwen3 32B：ベンチマーク・API料金・速度の徹底比較 (2026)比較
- Qwen3 235B-A22B vs Granite 3.3 8B：ベンチマーク・API料金・速度の徹底比較 (2026)比較
- Qwen3 235B-A22B vs QwQ 32B Preview：ベンチマーク・API料金・速度の徹底比較 (2026)比較
- Aion-3.0 vs Aion-Mini：ベンチマーク・API料金・速度の徹底比較 (2026)比較
- Aion-3.0 vs Gemini 3.6 Flash：ベンチマーク・API料金・速度の徹底比較 (2026)比較
- Aion-Mini vs Laguna XS 2.1：ベンチマーク・API料金・速度の徹底比較 (2026)比較
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.
公的ソース: AlibabaおよびAlibaba公式APIドキュメント、システムカード、独立ベンチマーク評価 (2026)。