Qwen3.5 27B vs Qwen3-Next 80B-A3B Instruct
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
AlibabaのQwen3.5 27BとAlibabaのQwen3-Next 80B-A3B Instructは、注目度の高い主要AIモデルです。Qwen3.5 27Bは262.1K 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-Next 80B-A3B Instruct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.
Qwen3.5 27B
オープンウェイト基盤モデルAlibaba の Qwen3.5 27B 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。262K のコンテキストウィンドウ、毎秒 90 トークンの生成速度、知能指数 75/100（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
262.1K tokens
N/A
Qwen3-Next 80B-A3B Instruct
オープンウェイト基盤モデルAlibaba の Qwen3-Next 80B-A3B Instruct 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 135 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
N/A
ひと目でわかる主な違い
- Both models cost the same under this workload — choose on capability, not price.
- Qwen3.5 27B has a larger context window (262K vs 131K tokens).
- Qwen3-Next 80B-A3B Instruct is faster at 135 tok/s vs 90 tok/s.
| Feature | Qwen3.5 27B | Qwen3-Next 80B-A3B Instruct |
|---|---|---|
Intelligence Index Composite reasoning & knowledge score (0-100) | 75 | 78 |
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 | 8K | 8K |
Throughput Speed Tokens generated per second | 90 tok/s | 135 tok/s |
SWE-bench Verified Real-world software engineering | N/A | N/A |
GPQA Diamond Graduate-level reasoning | 56.5% | 60% |
分野別勝者スコアカード
At-a-glance decision frameworkEvaluations ongoing
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.
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.
Qwen3.5 27B · Strengths & Key Advantages
- 262K 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（GPQA Diamond 56.5% · MMLU-Pro 74%）
- 毎秒 90 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 410ms の低遅延
- オープンウェイトモデル (27B)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-Next 80B-A3B Instruct · 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（GPQA Diamond 60% · MMLU-Pro 78%）
- 毎秒 135 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 310ms の低遅延
- オープンウェイトモデル (80B total (3B 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 | Qwen3.5 27B | Qwen3-Next 80B-A3B Instruct |
|---|---|---|
Cost per Task Estimated USD to finish one task | $0.00 | $0.00 |
Output Tokens / Task Tokens generated per task | 13K | 15K |
Reasoning Tokens / Task Thinking tokens burned per task | 0K | 0K |
技術仕様・スペック
Architecture, release timeline, capabilities, and modalities.
| Feature | Qwen3.5 27B | Qwen3-Next 80B-A3B Instruct |
|---|---|---|
| Official API Model ID (SDK) | qwen3-5-27b-instruct | qwen3-next-80b-a3b-instruct-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 | Dense Multimodal Autoregressive Transformer | Standard Instruction-Tuned Sparse Mixture-of-Experts |
| Parameters | 27B | 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) · 17 GB VRAM (4-bit Quantized) · 58 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 27B vs Qwen3-Next 80B-A3B Instruct: よくある質問 (FAQ)
Which is more intelligent, Qwen3.5 27B or Qwen3-Next 80B-A3B Instruct?
Qwen3-Next 80B-A3B Instruct is more intelligent. It scores 78 compared with 75 on the composite Intelligence Index.
Which model is faster?
Qwen3-Next 80B-A3B Instruct is faster, generating 135 tokens per second compared with 90 tokens per second.
Which model has lower latency?
Qwen3-Next 80B-A3B Instruct has lower latency, with a time to first token of 0.31s compared with 0.41s.
Which model has a larger context window?
Qwen3.5 27B has a larger context window, supporting 262.1K tokens compared with 131.1K tokens.
総合評価
Qwen3.5 27B（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-Next 80B-A3B Instruct（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-Next 80B-A3B Instructがリードし、応答速度とスループットではQwen3-Next 80B-A3B Instructが優れ、APIコスト効率ではQwen3.5 27B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 Qwen3.5 27B と Qwen3-Next 80B-A3B Instruct 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-Next 80B-A3B Instruct 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。
Qwen3.5 27B と Qwen3-Next 80B-A3B Instruct ではどちらのAPI料金が安いですか？+
Qwen3.5 27B は100万トークンあたり入力$0.00 / 出力$0.00、Qwen3-Next 80B-A3B Instruct は入力$0.00 / 出力$0.00です。総合的なコスト効率では Qwen3.5 27B 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 Qwen3.5 27B が 262.1K トークン、Qwen3-Next 80B-A3B Instruct が 131.1K トークン です。出力スピード（トークン/秒）では Qwen3-Next 80B-A3B Instruct 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
- Qwen3.5 27B vs DeepSeek Chat：ベンチマーク・API料金・速度の徹底比較 (2026)比較
- Qwen3.5 35B-A3B vs Qwen3.5 27B：ベンチマーク・API料金・速度の徹底比較 (2026)比較
- Qwen3-Next 80B-A3B Instruct vs Llama 4 Scout：ベンチマーク・API料金・速度の徹底比較 (2026)比較
- Qwen3-Next 80B-A3B Instruct vs Qwen 2.5 72B：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
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)。