Alibaba publica Qwen3.6-35B-A3B, un modelo MoE multimodal centrado en la programación agéntica

El equipo Qwen de Alibaba ha liberado los pesos de Qwen3.6-35B-A3B, un nuevo modelo multimodal con arquitectura sparse MoE. De sus 35.000 millones de parámetros totales, solo se activan 3.000 millones durante la inferencia. El foco está en la programación agéntica, el uso de herramientas y la comprensión multimodal.

Qué se ha lanzado

Qwen3.6-35B-A3B es la primera versión de pesos abiertos de la familia Qwen3.6 tras el lanzamiento de Qwen3.6-Plus. Se distribuye bajo licencia Apache 2.0 y puede alojarse en infraestructura propia desde Hugging Face y ModelScope, además de estar disponible a través de la API de Alibaba Cloud Model Studio. Tampoco se limita al texto: incorpora un vision encoder, así que acepta imágenes y vídeo. Su contexto nativo es de 262 144 tokens y puede ampliarse hasta aproximadamente 1,01 millones.

La idea central del lanzamiento es ofrecer un alto rendimiento con pocos parámetros activos. El modelo tiene 35.000 millones de parámetros, pero en cada paso solo trabajan realmente unos 3.000 millones. Según la ficha del modelo, la arquitectura utiliza 256 expertos, de los que se activan a la vez 8 expertos routed y 1 experto shared. En la práctica, esto se traduce en una inferencia más barata que la de los grandes modelos dense. Qwen3.6 funciona por defecto en modo thinking, aunque también admite respuestas directas sin razonamiento intermedio.

Apuesta por el código

Qwen presenta abiertamente este lanzamiento como un modelo para agentic coding, y no como otro chatbot de propósito general. Los desarrolladores destacan que Qwen3.6-35B-A3B rinde mejor en tareas de frontend, navegación por repositorios y trabajo con herramientas en varios pasos. El modelo se integra con Qwen-Agent, OpenClaw, Qwen Code e incluso Claude Code mediante API compatibles. Para sesiones largas incluye la función preserve_thinking, que conserva las cadenas de razonamiento de mensajes anteriores para que el agente no tenga que reconstruir el contexto en cada paso.

• Tool calling y trabajo con pipelines agénticos
• Análisis de repositorios a nivel de varios archivos
• Generación y edición de código frontend
• Sesiones iterativas largas que conservan el contexto de razonamiento

Según Qwen, es en las pruebas de código y de agentes donde el modelo destaca más. Obtiene 73,4 en SWE-bench Verified, 51,5 en Terminal-Bench 2.0, 29,4 en NL2Repo y 1397 en el benchmark interno QwenWebBench. Son cifras claramente superiores a las de Qwen3.5-35B-A3B y, en varias tareas, mejores que las del modelo dense más grande Qwen3.5-27B.

Dicho de otro modo, Qwen intenta demostrar que un modelo MoE open-weight sirve para algo más que el chat local: también para flujos de desarrollo completos que requieren herramientas, memoria de los pasos anteriores y trabajo con toda la base de código.

Multimodalidad sin rebajas

La visión y el razonamiento multimodal reciben una atención especial. Según las tablas de Qwen, el modelo logra 85,3 en RealWorldQA, 92,8 en MMBench EN, 89,9 en OmniDocBench1.5 y 81,9 en CC-OCR. En comprensión espacial los resultados son aún más llamativos: 92,0 en RefCOCO y 50,8 en ODInW13. En vídeo también presenta métricas sólidas: 83,7 en VideoMMMU y 86,2 en MLVU. Para un modelo con 3.000 millones de parámetros activos, es una apuesta seria por la versatilidad frente a una especialización limitada al código.

En la práctica, Qwen3.6-35B-A3B puede desplegarse en stacks de inferencia habituales como vLLM y SGLang, con modos para tool use y para ejecución solo de lenguaje si se necesita liberar memoria. En sus ejemplos, Qwen muestra el despliegue con el contexto completo de 262K en ocho GPU, pero recomienda expresamente no bajar de 128K siempre que sea posible si importan las capacidades de thinking. Para los equipos que quieren alojar el modelo internamente y no depender de un SaaS cerrado, esto ya parece una opción operativa más que un experimento.

Qué significa

Qwen sigue empujando el mercado open-weight hacia modelos más prácticos: en lugar de perseguir el tamaño por el tamaño, busca un equilibrio entre coste de inferencia, contexto largo, multimodalidad y utilidad real en el desarrollo. Si los resultados anunciados se confirman en escenarios reales, Qwen3.6-35B-A3B se convertirá en una de las opciones abiertas más interesantes para equipos que necesitan un asistente de AI para código, documentos, imágenes y tareas agénticas sin quedar obligatoriamente atados a plataformas cerradas.