Qwen3.5-397B-A17B ist das Flaggschiff der Qwen3.5-Generation und wurde von Grund auf multimodal trainiert: Es versteht Text, Bilder und Videos in einem Modell. Die Sprachabdeckung wächst auf 201 Sprachen und Dialekte. Bei Befolgen von Anweisungen erreicht es Bestwerte vor GPT-5.2, Claude Opus 4.5 und Gemini 3 Pro.
Technisch übernimmt es die Architektur von Qwen3-Next: drei von vier Schichten nutzen eine lineare Attention. Das Mixture-of-Experts-Modell (MoE) aktiviert je verarbeitetem Textbaustein (Token) nur 17 von 397 Milliarden Parametern. Laut Qwen-Team arbeitet es bei 256K Token Kontext 7,2-mal schneller als Qwen3-235B-A22B. Es steht unter der Lizenz Apache 2.0.
Qwen3.5-397B-A17B
Alibaba (Qwen-Team)
Februar 2026
Apache 2.0
Hybrid-MoE, nativ multimodal (Text, Bild, Video), Denkmodus und schneller Modus
397 Mrd. total (17 Mrd. aktiv pro Token)
Hybrid aus Gated DeltaNet (lineare Attention) und Gated Attention im Verhältnis 3:1, MoE mit 512 Experten, Vision-Encoder, MTP
60
512 Experten, 10 aktiv je Token, 1 geteilter Experte
262.144 Token nativ, bis 1.010.000 Token mit YaRN
Das Flaggschiff in BF16, als FP8 und als GPTQ-Int4. Über die Alibaba-Cloud-API gibt es zudem Qwen3.5-Plus mit einer Million Token Kontext.
Die Generation umfasst auch 122B-A10B, 35B-A3B, 27B sowie 9B, 4B, 2B und 0.8B, alle nativ multimodal.
Qwen3.6 bringt kompakte Modelle mit starkem agentischem Coding. Im August 2026 folgte Qwen3.8, erstmals mit einem offenen Modell der Max-Klasse.
| Benchmark | Qwen3.5-397B-A17B | GPT-5.2 | Claude Opus 4.5 | Gemini 3 Pro | Qwen3-Max-Thinking | Kimi K2.5 |
|---|---|---|---|---|---|---|
| MMLU-Pro | 87,8 | 87,4 | 89,5 | 89,8 | 85,7 | 87,1 |
| GPQA | 88,4 | 92,4 | 87,0 | 91,9 | 87,4 | 87,6 |
| HLE | 28,7 | 35,5 | 30,8 | 37,5 | 30,2 | 30,1 |
| IFBench | 76,5 | 75,4 | 58,0 | 70,4 | 70,9 | 70,2 |
| MultiChallenge | 67,6 | 57,9 | 54,2 | 64,2 | 63,3 | 62,7 |
| LiveCodeBench v6 | 83,6 | 87,7 | 84,8 | 90,7 | 85,9 | 85,0 |
| AIME26 | 91,3 | 96,7 | 93,3 | 90,6 | 93,3 | 93,3 |
| BFCL-V4 | 72,9 | 63,1 | 77,5 | 72,5 | 67,7 | 68,3 |
| TAU2-Bench | 86,7 | 87,1 | 91,6 | 85,4 | 84,6 | 77,0 |
| Tool Decathlon | 38,3 | 43,8 | 43,5 | 36,4 | 18,8 | 27,8 |
| SWE-bench Verified | 76,4 | 80,0 | 80,9 | 76,2 | 75,3 | 76,8 |
| Terminal Bench 2 | 52,5 | 54,0 | 59,3 | 54,2 | 22,5 | 50,8 |
Quelle: offizielle Model Card zu Qwen3.5-397B-A17B (Qwen-Team, Februar 2026). Angaben in Prozent. Bei Bildaufgaben erreicht das Modell etwa 85,0 bei MMMU, 88,6 bei MathVision und 93,1 bei OCRBench.
Das multimodale Qwen3.5-Flaggschiff unter Apache 2.0. Wir prüfen mit Ihnen Nutzen, Auslegung und Betriebskosten.
Qwen3.5 wurde von Beginn an gemeinsam auf Text, Bildern und Videos trainiert, mit deutlich mehr Bild-Text-Daten als Qwen3. Das Vokabular wächst von 150.000 auf 250.000 Token, was Texte laut Qwen-Team 10 bis 60 Prozent effizienter kodiert. Eine Menge der Trainingsdaten nennt das Qwen-Team nicht.
Für das Reinforcement Learning, bei dem das Modell aus Bewertungen seiner eigenen Lösungen lernt, nutzte das Qwen-Team eine eigene verteilte Infrastruktur mit sehr vielen Agenten-Umgebungen. Große Teile des Trainings liefen in FP8, empfindliche Schichten in BF16.
Qwen3.5-397B-A17B eignet sich für Organisationen, die ein großes multimodales Modell selbst betreiben wollen. In einer KI-Beratung prüfen wir mit Ihnen, ob ein kompakteres Modell wie Qwen3.6 ausreicht.
Bestes Befolgen von Anweisungen: Bei IFBench (76,5) und MultiChallenge (67,6) vor allen Vergleichsmodellen der Tabelle.
Nativ multimodal: Bester Wert der Vergleichstabelle bei MathVision (88,6) und OCRBench (93,1).
Schnell bei langem Kontext: Laut Qwen-Team 7,2-mal schneller als Qwen3-235B-A22B bei 256K Token.
201 Sprachen: Breite Sprachabdeckung für internationale Anwendungen.
Kommerziell frei nutzbar: Apache 2.0 ohne Umsatzgrenzen.
Hinter proprietären Modellen bei Reasoning: Bei HLE und GPQA liegen GPT-5.2 und Gemini 3 Pro vorn, bei AIME26 GPT-5.2, Claude Opus 4.5, Qwen3-Max-Thinking und Kimi K2.5.
Hinter Claude Opus 4.5 beim Coding: Bei SWE-bench Verified (76,4 gegenüber 80,9) und Terminal Bench 2.
Sehr hoher Hardware-Bedarf: Auch in FP8 rund 403 GB Gewichte.
Überholt bei Coding: Das deutlich kleinere Qwen3.6-27B übertrifft es laut Qwen-Team bei wichtigen Coding-Benchmarks.
Wir planen die Cluster-Auslegung für Qwen3.5-397B-A17B, übernehmen Inbetriebnahme, Quantisierung und Betrieb und hosten das Modell auf Wunsch DSGVO-konform in unserem zertifizierten Rechenzentrum in Limburg an der Lahn.
In BF16 umfassen die Gewichte rund 807 GB und passen auf einen Server mit acht H200. Mit der offiziellen FP8-Fassung sind es rund 403 GB, also acht H100 oder vier H200.
Das Modell wurde von Beginn an gemeinsam auf Text, Bildern und Videos trainiert, statt nachträglich einen Bild-Encoder anzuschließen. Laut Qwen-Team übertrifft es dadurch die Qwen3-VL-Modelle.
Qwen3.6 bringt kleinere Modelle mit 27 und 35 Milliarden Parametern, die beim agentischen Coding teils stärker sind und auf einer GPU laufen. Qwen3.5-397B-A17B bietet mehr Wissen und breitere Fähigkeiten.
Ja. Das Qwen-Team von Alibaba veröffentlicht die Gewichte unter der Lizenz Apache 2.0. Sie dürfen das Modell ohne Umsatzgrenzen kommerziell einsetzen, anpassen und weitergeben.
Ja. Über unsere GPU Cloud stellen wir die nötige Rechenleistung bereit. Alternativ bündelt der MaaS Proxy verschiedene Modelle über eine einheitliche Schnittstelle. Beide Wege betreiben wir DSGVO-konform in Deutschland.
Möchten Sie individuell beraten werden?
Unsere KI-Experten sind für Sie da!
