Qwen 3.5 er ute: Alibabas mest ambisiøse modellserie
Med modeller fra 0.8B til 397B parametere og optimalisert for lokal kjøring, presser Qwen 3.5 vestlige labber på kostnadseffektivitet og åpenhet.
Av H. S. Pettersen · 1 min lesing
Begreper i denne artikkelen
Alibabas AI-lab har lansert Qwen 3.5, den mest omfattende modellserien fra en kinesisk utvikler til nå. Serien dekker hele spekteret fra ultralett (0.8B parametere) til frontier-klasse (397B), og alle er tilgjengelige som open source AI.
Modellene
Serien inkluderer syv modeller: 0.8B, 2B, 4B, 9B, 27B, 122B-A10B og 397B-A17B. De fire største bruker Mixture-of-Experts-arkitektur (Transformer-basert) — tallet etter «A» angir hvor mange parametere som er aktive per forespørsel. 397B-A17B har altså 397 milliarder totale parametere, men aktiverer bare 17 milliarder om gangen, noe som gir frontier-ytelse til en brøkdel av compute-kostnaden.
Alle modellene er optimalisert for lokal deployment via GGUF-format og Unsloths Dynamic 2.0-kvantisering. De minste modellene kan kjøres på vanlige bærbare PC-er.
Ytelse
Qwen 3.5 27B konkurrerer med modeller flere ganger sin størrelse på standard benchmarks. 397B-A17B-varianten matcher eller overgår flere vestlige modeller på resonnerings- og kodeoppgaver, ifølge Alibabas egne tester. Uavhengig verifisering av disse resultatene er foreløpig begrenset.
Serien følger et mønster fra kinesiske labber: publiser mange modellstørrelser, optimaliser for effektivitet, og distribuer åpent. DeepSeek bruker samme strategi. Resultatet er et prispress nedenfra som tvinger vestlige konkurrenter til å enten senke prisene eller rettferdiggjøre premium.
Relevans for norske utviklere
For team som vil kjøre AI lokalt — enten av personvern-, kostnads- eller latensgrunner — er Qwen 3.5 et seriøst alternativ. 9B-modellen gir kapabel ytelse på en maskin uten dedikert GPU. 27B-modellen krever en bra GPU men leverer resultater som for kort tid siden krevde sky-API.
Begrensningen er verktøystøtte og dokumentasjon, som fortsatt er tynnere enn for vestlige modeller. Men for utviklere som er komfortable med å sette opp egne miljøer, er terskelen lav.
