Qwen3.5 : vers un agent multimodal natif

• Qwen3.5-397B-A17B est un modèle unifié langage-vision qui affiche d’excellentes performances en raisonnement, code, agents et compréhension multimodale
• Une architecture hybride combinant attention linéaire basée sur GDN et MoE sparse permet de n’activer que 17 milliards de paramètres sur 397 milliards, atteignant à la fois efficacité d’inférence et réduction des coûts
• La prise en charge des langues et dialectes passe de 119 à 201, renforçant l’accessibilité mondiale et les performances multilingues
• Proposé via Alibaba Cloud Model Studio, Qwen3.5-Plus prend en charge nativement une fenêtre de contexte d’un million de tokens et des fonctions d’utilisation adaptative d’outils
• Grâce à l’extension de l’environnement d’apprentissage par renforcement et à une conception d’infrastructure efficace, le modèle assure stabilité et scalabilité pour l’entraînement et l’inférence d’agents multimodaux à grande échelle

---

Aperçu de Qwen3.5

• Qwen3.5 est un modèle unifié vision-langage qui obtient d’excellents résultats sur divers benchmarks de raisonnement, de code, d’agents et de compréhension multimodale
  • Nom du modèle : Qwen3.5-397B-A17B, avec 17 milliards de paramètres activés sur un total de 397 milliards
  • Combinaison d’une attention linéaire fondée sur Gated Delta Networks et d’une architecture sparse Mixture-of-Experts pour optimiser vitesse et coût
• La prise en charge linguistique passe de 119 à 201 langues, améliorant l’accessibilité multilingue
• Qwen3.5-Plus est disponible dans Alibaba Cloud Model Studio, avec
  • une fenêtre de contexte de 1M, des outils officiels intégrés et une utilisation adaptative des outils

Évaluation des performances

• Comparé à des modèles récents comme GPT5.2, Claude 4.5 Opus, Gemini-3 Pro, Qwen3.5
  • enregistre des scores compétitifs en langage, raisonnement, code, agents et multimodal
• En évaluation linguistique, il atteint des performances de premier plan avec 94.9 sur MMLU-Pro, 70.4 sur SuperGPQA et 76.5 sur IFBench
• En évaluation vision-langage, il obtient de très bons scores comme 88.6 sur MathVision, 93.9 sur AI2D_TEST et 93.1 sur OCRBench
• Il surpasse Qwen3-VL en compréhension multimodale et en résolution de problèmes STEM
• L’extension de l’environnement d’apprentissage par renforcement améliore les performances d’agent généraliste, avec une progression du classement moyen sur BFCL-V4 et VITA-Bench

Préentraînement (Pretraining)

• Power : par rapport à Qwen3, apprentissage à grande échelle sur des tokens vision-texte, avec renforcement des données multilingues, STEM et de raisonnement
  • Qwen3.5-397B-A17B atteint des performances équivalentes à celles d’un modèle de classe 1T paramètres (Qwen3-Max-Base)
• Efficiency : sur la base de l’architecture Qwen3-Next, application de la sparsification MoE, de Gated DeltaNet et de la prédiction multi-token
  • à contexte 32k/256k, le débit de décodage est 8.6x/19x supérieur à Qwen3-Max
• Versatility : grâce à une fusion précoce texte-vision, le modèle assure un traitement multimodal naturel,
  • avec un vocabulaire de 250 000 entrées (contre 150 000 auparavant), améliorant l’efficacité d’encodage et de décodage de 10 à 60 %

Infrastructure et framework d’entraînement

• Une infrastructure hétérogène séparant les stratégies parallèles vision et langage prend en charge un apprentissage multimodal efficace
  • en exploitant l’activation sparse, elle atteint une efficacité de traitement proche de 100 % même sur des données mixtes texte-image-vidéo
• Un pipeline FP8 optimise la précision des activations, du routage MoE et des opérations GEMM
  • avec une réduction de 50 % de l’usage mémoire et une hausse de vitesse de plus de 10 %
• Un framework d’apprentissage par renforcement asynchrone a été mis en place pour entraîner des modèles texte, multimodaux et multi-turn
  • grâce à l’entraînement FP8 end-to-end, au speculative decoding et au multi-turn rollout locking,
    il offre une vitesse de traitement 3 à 5 fois supérieure et une scalabilité stable

Usages et intégration

• Qwen Chat propose les modes Auto, Thinking et Fast
  • Auto : utilisation automatique des outils et raisonnement adaptatif
  • Thinking : raisonnement approfondi
  • Fast : réponse immédiate
• Via la ModelStudio API, il est possible d’activer les fonctions reasoning, web search et Code Interpreter
  • contrôle via les paramètres enable_thinking et enable_search
• Intégration avec Qwen Code, OpenClaw et d’autres outils pour le code en langage naturel et la création multimodale

Démos et applications

• Développement Web : génération de pages web et de code UI à partir d’instructions en langage naturel
• Visual Agent : automatisation d’actions sur smartphone et PC à partir d’instructions en langage naturel
• Visual Coding : avec une entrée d’un million de tokens, traitement de jusqu’à 2 heures de vidéo,
  • avec prise en charge de la conversion d’une interface dessinée à la main en code, du résumé vidéo, etc.
• Spatial Intelligence : amélioration de la précision pour le comptage d’objets, les relations de position et la description spatiale
  • ce qui ouvre des perspectives pour la conduite autonome et la robotique
• Visual Reasoning : progrès par rapport à Qwen3-VL dans la résolution de problèmes scientifiques et le raisonnement logique visuel

Résumé et orientations futures

• Qwen3.5 pose les bases de l’agent numérique généraliste grâce à une architecture hybride efficace et un raisonnement multimodal natif
• L’objectif futur est de passer de l’extension du modèle à l’intégration système
  • avec le développement de systèmes d’agents autonomes et persistants dotés de mémoire continue, d’interfaces avec le monde réel, d’auto-amélioration et de capacités de décision économique