Alibaba publie Qwen3.6-35B-A3B, un modèle MoE multimodal taillé pour le codage agentique

L'équipe Qwen d'Alibaba a publié les poids de Qwen3.6-35B-A3B, un nouveau modèle multimodal à architecture sparse MoE. Il compte 35 milliards de paramètres au total, mais seuls 3 milliards s'activent pendant l'inférence. Le modèle mise avant tout sur le codage agentique, l'usage d'outils et la compréhension multimodale.

Ce qui a été publié

Qwen3.6-35B-A3B est la première version à poids ouverts de la gamme Qwen3.6, après le lancement de Qwen3.6-Plus. Le modèle est distribué sous licence Apache 2.0. On peut l'auto-héberger depuis Hugging Face et ModelScope, ou y accéder via l'API d'Alibaba Cloud Model Studio. Il ne se limite pas au texte : un vision encoder lui permet de traiter images et vidéos. Son contexte natif atteint 262 144 tokens et peut être étendu à environ 1,01 million.

L'idée centrale de cette sortie : des performances élevées avec peu de paramètres actifs. Le modèle embarque 35 milliards de paramètres, mais seuls 3 milliards environ travaillent réellement à chaque étape. D'après la fiche du modèle, l'architecture repose sur 256 experts, dont 8 experts routed et 1 expert shared s'activent simultanément. En pratique, l'inférence revient moins cher qu'avec de gros modèles dense. Par défaut, Qwen3.6 fonctionne en mode thinking, mais il sait aussi répondre directement, sans raisonnement intermédiaire.

Le pari du code

Qwen présente explicitement ce modèle comme un outil d'agentic coding, et non comme un énième chatbot généraliste. Ses développeurs soulignent que Qwen3.6-35B-A3B progresse sur les tâches front-end, la navigation dans un dépôt et l'usage d'outils en plusieurs étapes. Le modèle s'intègre à Qwen-Agent, OpenClaw, Qwen Code et même Claude Code via des API compatibles. Pour les longues sessions, une fonction dédiée, preserve_thinking, conserve les chaînes de raisonnement des messages précédents : l'agent n'a pas à reconstruire son contexte à chaque étape.

• Tool calling et intégration dans des pipelines agentiques
• Analyse d'un dépôt à l'échelle de plusieurs fichiers
• Génération et modification de code front-end
• Longues sessions itératives avec conservation du contexte de reasoning

Selon Qwen, c'est sur les tests de code et d'agents que le modèle brille le plus. Il obtient 73,4 sur SWE-bench Verified, 51,5 sur Terminal-Bench 2.0, 29,4 sur NL2Repo et 1397 sur le benchmark interne QwenWebBench. C'est nettement mieux que Qwen3.5-35B-A3B et, sur plusieurs tâches, mieux que Qwen3.5-27B, un modèle dense plus volumineux.

Autrement dit, Qwen cherche à démontrer qu'un modèle MoE open-weight peut servir à autre chose qu'un chat local : de véritables workflows de développement, qui exigent des outils, une mémoire des étapes précédentes et une prise en charge de la base de code entière.

Une multimodalité sans compromis

Qwen met aussi l'accent sur la vision et le raisonnement multimodal. D'après ses tableaux, le modèle atteint 85,3 sur RealWorldQA, 92,8 sur MMBench EN, 89,9 sur OmniDocBench1.5 et 81,9 sur CC-OCR. En compréhension spatiale, les résultats sont encore plus notables : 92,0 sur RefCOCO et 50,8 sur ODInW13. La vidéo affiche elle aussi de bons scores, avec 83,7 sur VideoMMMU et 86,2 sur MLVU. Pour un modèle à 3 milliards de paramètres actifs, c'est une sérieuse revendication de polyvalence, loin d'une spécialisation étroite sur le code.

Sur le plan pratique, Qwen3.6-35B-A3B s'intègre aux stacks d'inférence habituelles comme vLLM et SGLang, avec des modes dédiés au tool use et un lancement language-only pour libérer de la mémoire. Dans ses exemples, Qwen lance le modèle avec le contexte complet de 262K sur huit GPU, mais recommande, dans la mesure du possible, de ne pas descendre sous 128K si les capacités de thinking comptent. Pour les équipes qui veulent héberger le modèle en interne sans dépendre d'un SaaS fermé, il ne s'agit plus d'une expérimentation, mais d'une option opérationnelle.

Ce que cela signifie

Qwen continue d'orienter le marché open-weight vers des modèles plus pragmatiques : non pas la taille pour la taille, mais un équilibre entre coût d'inférence, contexte long, multimodalité et utilité réelle pour le développement. Si les résultats annoncés se confirment sur le terrain, Qwen3.6-35B-A3B deviendra l'une des options ouvertes les plus intéressantes pour les équipes qui ont besoin d'un assistant IA pour le code, les documents, les images et les tâches agentiques, sans attache obligatoire à des plateformes fermées.