Bisakah saya menjalankan Qwen3.6-35B-A3B secara lokal?

Ya — bobot terbuka di bawah lisensi Apache 2.0 tersedia di Hugging Face, kompatibel dengan Transformers, vLLM, SGLang, dan KTransformers. Karena hanya 3 miliar parameter aktif per token, kebutuhan memori lebih rendah dari jumlah parameter total 35 miliar; periksa panduan VRAM sebelum mengunduh.

Berapa biaya dan berapa besar jendela konteksnya?

Melalui API biayanya $0,10 per juta token input dan $0,95 per juta token output, dengan konteks asli 262.144 token — dapat diperluas hingga sekitar 1 juta token via YaRN.

Bagaimana perbandingan dengan Qwen3.5-35B-A3B?

Qwen3.6 adalah penerus langsung, dibangun berdasarkan masukan komunitas, dengan peningkatan utama pada tolok ukur pengkodean agen dan opsi baru untuk mempertahankan jejak penalaran di percakapan multi-putaran; skor pengetahuan umum secara luas serupa.

▲

121%

minggu ini

Qwen3.6 35B A3B

8682°

#llm #qwen #visi #video #penalaran #pemrograman

Minggu ini

Jalankan model ini

Penawaran / Iklan

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

Qwen | 262,144 token context | $0.15/M input, $1.00/M output. Qwen3.6-35B-A3B is an open-weight multimodal model from Alibaba Cloud with 35 billion total parameters and 3 billion active parameters per token. It uses a hybrid sparse mixture-of-experts architecture combining Gated DeltaNet linear attention with standard gated attention layers, enabling efficient inference at a fraction of the compute cost. The model supports a 262K token native context window (extensible to 1M via YaRN) and accepts text, image, and video inputs. It includes integrated thinking mode with reasoning traces preserved across multi-turn conversations, function calling, and structured output. Released under the Apache 2.0 license.

Panduan untuk model ini

Cara Menginstal Ollama dan Menjalankan AI Lokal (Windows, Mac, Linux)

Ollama vs LM Studio (2026): aplikasi AI lokal mana yang harus digunakan, dan model top mana yang dijalankan masing-masing

LLM lokal terbaik berdasarkan kasus penggunaan (Oktober 2026): model terbuka yang tepat untuk setiap pekerjaan

Berapa banyak VRAM yang sebenarnya saya butuhkan untuk AI lokal?

Apa itu file GGUF? Penjelasan model terkuantisasi (Q4, Q8, fp8, NF4)

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

Qwen3.6-35B-A3B adalah model multimodal bobot terbuka dari Alibaba Cloud yang dibangun dengan arsitektur campuran sparse mixture-of-experts: 35 miliar parameter total tapi hanya 3 miliar aktif per token, menjaga biaya inferensi rendah. Peningkatan utama dibanding pendahulunya adalah pengkodean agen, khususnya alur kerja frontend dan tugas tingkat repositori. Jika Anda butuh pengkode dan agen yang mumpuni yang bisa dijalankan lokal atau diakses murah lewat API, ini layak dilirik serius.

Dikenal untuk

Pengkodean agen: kuat pada alur kerja frontend dan penalaran tingkat repositori
Hanya 3 miliar parameter aktif per token, jadi inferensi cepat dan murah
Jendela konteks asli 262 ribu token, dapat diperluas hingga sekitar 1 juta via YaRN
Menerima input teks, gambar, dan video dengan mode pemikiran terintegrasi
Jejak penalaran dipertahankan di percakapan multi-putaran

Waspadai

Token output hampir 10× lebih mahal dari token input dengan biaya $0,95 per juta — jalannya agen panjang bisa mahal.
Arsitektur atensi linear hibrida kurang teruji dibanding transformer standar; beberapa tumpukan inferensi mungkin belum mendukung.
Kualitas input visi dan video tidak diuji secara independen dalam hasil yang dipublikasikan.

Terbaik untuk

Pemrograman

Agen dan penggunaan alat

Penalaran

Penglihatan

Jalankan secara lokal

Prompt untuk dicoba

Refaktor basis kode berantakan

Saya punya frontend React dengan semua state dikelola dalam satu file App.js sepanjang 800 baris. Tidak ada komponen, tidak ada custom hook, dan props diteruskan empat tingkat dalam. Analisis struktur, identifikasi tiga masalah paling merusak, lalu buat rencana refaktor konkret dengan nama file dan urutan perubahan yang harus saya lakukan.

Rencana agen multi-langkah

Anda adalah agen dengan akses ke bash dan alat pengedit file. Proyek Python pengguna gagal pipeline CI karena tiga tes flaky yang bergantung pada panggilan jaringan nyata ke API eksternal. Jelaskan bagaimana Anda akan menemukan tes tersebut, merancang strategi mocking, menerapkan perbaikan, dan memverifikasinya tanpa menyentuh jalur kode produksi.

Teka-teki penalaran sulit

Lima insinyur masing-masing menguasai bahasa pemrograman berbeda, minum minuman berbeda, dan bekerja di zona waktu berbeda. Insinyur Rust minum espresso. Insinyur di UTC+9 menguasai Python. Insinyur TypeScript tepat di kiri peminum kopi. Insinyur Go bekerja di UTC-5. Siapa yang minum teh, dan bahasa apa yang mereka gunakan? Tunjukkan penalaran langkah demi langkah.

Bandingkan dengan

Qwen3.7 Flash
Model hanya API
konteks 1,000,000 token · $0.03/M input, $0.13/M output
Qwen3.8 Max (0902)
Model hanya API
konteks 1,000,000 token · $2.00/M input, $6.00/M output
Qwen3.8 Omni Flash
Model hanya API
konteks 1,000,000 token · $0.15/M input, $0.47/M output
Qwen3.5 Plus 2026-02-15
Model hanya API
konteks 1,000,000 token · $0.26/M input, $1.56/M output

Model teks lain dari qwen

Pertanyaan yang sering diajukan

Bisakah saya menjalankan Qwen3.6-35B-A3B secara lokal?: Ya — bobot terbuka di bawah lisensi Apache 2.0 tersedia di Hugging Face, kompatibel dengan Transformers, vLLM, SGLang, dan KTransformers. Karena hanya 3 miliar parameter aktif per token, kebutuhan memori lebih rendah dari jumlah parameter total 35 miliar; periksa panduan VRAM sebelum mengunduh.
Berapa biaya dan berapa besar jendela konteksnya?: Melalui API biayanya $0,10 per juta token input dan $0,95 per juta token output, dengan konteks asli 262.144 token — dapat diperluas hingga sekitar 1 juta token via YaRN.
Bagaimana perbandingan dengan Qwen3.5-35B-A3B?: Qwen3.6 adalah penerus langsung, dibangun berdasarkan masukan komunitas, dengan peningkatan utama pada tolok ukur pengkodean agen dan opsi baru untuk mempertahankan jejak penalaran di percakapan multi-putaran; skor pengetahuan umum secara luas serupa.

Putusan Kapten
Kombinasi langka: bobot terbuka, input multimodal, konteks panjang, dan pengkodean agen yang benar-benar kompetitif dengan harga yang tidak memberatkan.

Kartu model di Hugging Face

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat berubah.

Ranking badge

Updated Oct 22, 2026

Made this model? Show this badge on your page.

Paste it into your Hugging Face card or Civitai description.

Change colors / personalize / get code

Also ranked: Silver · Hottest this week · #114 Hottest AI model · #48 Hottest Text / LLM model · #48 Hottest Text / LLM text model

Not this creator?

Get your own badge

Tren popularitas Qwen3.6 35B A3B

Skor panas sejak 27 Apr 2026

Skor panas

8,682°

Minggu ini

▲

121%

8,578° dulu, 8,682° sekarang

Bulan ini

n/a

Belum dirilis/dilacak

Tahun lalu

n/a

Belum dirilis/dilacak

7,000°

Floor

Skala berjalan dari 0° sampai 9.999°. Semua yang di bawah 7,000° disimpan untuk model yang belum dilaporkan oleh sumber mana pun, yang memakai angka pengganti di sana supaya daftar tetap lengkap. 7,000° adalah titik awal data yang diukur: model dengan data nyata tapi hampir tidak ada unduhan berada di floor, dan pengukuran mengisi derajat di atasnya. Floor tidak mengatakan apa-apa tentang model; hanya derajat di atasnya yang berbicara, dan itu yang membedakan satu model dengan yang lain.

+1,365°

Token OpenRouter

355,046,263,575 token diproses model ini melalui OpenRouter dalam 30 hari terakhir, termasuk prompt dan jawaban. Setiap 10,000,000 token dihitung sebagai satu unduhan dalam istilah unduhan, total 35,504; token hari terakhir masuk ke tingkat adopsi. Sumber: OpenRouter (openrouter.ai/rankings).

+317°

Tingkat adopsi

Sekitar 16,735 unduhan per hari, diukur antara dua pembacaan sumber, tidak pernah ditebak dari rata-rata seumur hidup. Kecepatan dihitung seperempat dari istilah unduhan, jadi lonjakan baru terlihat tanpa membiarkan lonjakan satu hari mengalahkan penggunaan bertahun-tahun.

Tampilkan rincian

Setiap angka di situs ini bisa dicek. Skor heat model ini adalah 8,682°, dan ini dibangun satu bahan pada satu waktu, dengan total berjalan setelah setiap langkah: floor, derajat yang ditambahkan setiap sumber, bonus untuk jenis model dan pengurangan karena usia bobotnya. Warna-warna itu adalah rentang pada grafik di atas. Glosarium di akhir menjelaskan setiap istilah.

1
Mulai dari floor.
Kenapa 7,000° dan bukan nol: skala dari 0° sampai 9.999°, dan bagian di bawah 7,000° disediakan untuk model yang belum dilaporkan sumber mana pun, yang memakai angka pengganti supaya daftar tetap lengkap dan tidak pernah mengalahkan model dengan data. 7,000° adalah titik awal data yang diukur. Model dengan data nyata tapi hampir tidak ada unduhan berada di sini; semua yang berikutnya adalah pengukuran, dan ruang di atas floor memuat sepuluh langkah sepuluh kali lipat unduhan dengan 300° masing-masing. Floor sama untuk semua model, jadi tidak menentukan apa-apa; yang menentukan adalah derajat di atasnya.
7,000°
total berjalan
2
Tambahkan unduhan.
35,504 setara unduhan secara total, dari Token OpenRouter. Sepuluh kali unduhan menambah 300° yang sama, jadi ukuran penting tapi tidak pernah mendominasi skor.
+1,365°
8,365°
total berjalan
3
Tambahkan tingkat adopsi.
Sekitar 16,735 unduhan per hari sekarang, diukur antara dua pembacaan, dengan bobot seperempat.
+317°
8,682°
total berjalan
=
Skor heat.
Posisi model ini di setiap daftar di situs ini. Tidak ada yang mengubahnya selain ini.
8,682°

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Bagaimana popularitas model ini bergerak dibandingkan dengan katalog lainnya: pertumbuhan unduhan, suka, dan penggunaan setiap periode, diukur terhadap pertumbuhan model biasa dalam periode yang sama, dengan skor panasnya saat itu. Di atas pertumbuhan biasa berarti naik, di bawahnya berarti turun. Masa lalu direkonstruksi dari total hari ini, hari pertama model, dan kecepatan unduhan yang diukur jika ada dua pembacaan; model yang belum ada di awal periode menunjukkan n/a.

Model Serupa

Muse Spark 1.3

TEXT / LLM

L3 8B Lunaris v1 Turbo

Model AI untuk Pembuatan Gambar, Video & Teks

Qwen3.6 35B A3B adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm qwen visi video penalaran pemrograman agen lokal

Jelajahi berdasarkan Keluarga Model