跳到正文
Qwen 模型发布·· 2 天前精选AI 评分82

Qwen 发布 Qwen3.5-27B 多模态模型

Qwen/Qwen3.5-27B

AI 导读

Qwen 团队发布 Qwen3.5-27B,这是 Qwen3.5 系列中 27B 参数的多模态模型,采用 Gated DeltaNet 与稀疏 MoE 混合架构,原生上下文 262,144 tokens,可扩展至 1,010,000 tokens。

推荐理由

模型卡给出了架构细节与多组基准对比,读者可据此判断 27B 规模多模态模型的实际位置。

正文 · AI 翻译

该仓库包含以 HF Mirror Transformers 格式发布的后训练模型的模型权重和配置文件。

这些工件与 HF Mirror Transformers、vLLM、SGLang、KTransformers 等兼容。

在过去几个月里,我们加大了对开发具有卓越实用性和性能的基础模型的关注力度。Qwen3.5 代表了显著的进步,集成了多模态学习、架构效率、强化学习规模和全球可访问性方面的突破,为开发者和企业提供了前所未有的能力和效率。

Qwen3.5 Highlights

Qwen3.5 具备以下增强功能:

  • 统一视觉-语言基础模型: 对多模态 token 进行早期融合训练,在推理、编码、智能体和视觉理解基准测试中实现了与 Qwen3 的跨代持平,并优于 Qwen3-VL 模型。

  • 高效混合架构: 门控 Delta 网络结合稀疏专家混合(Mixture-of-Experts),以最小的延迟和成本开销实现高吞吐量推理。

  • 可扩展的 RL 泛化能力: 在百万级智能体环境中扩展强化学习,任务分布逐步复杂化,以实现强大的现实世界适应性。

  • 全球语言覆盖: 支持扩展到 201 种语言和方言, enabling 包容性的全球部署,具备细腻的文化与区域理解能力。

  • 下一代训练基础设施: 相比纯文本训练,多模态训练效率接近 100%,异步强化学习框架支持大规模智能体脚手架和环境编排。

Benchmark Results

更多详情请参阅我们的博客文章 Qwen3.5。

Model Overview

  • 类型:带视觉编码器的因果语言模型
  • 训练阶段:预训练 & 后训练
  • Language Model
    • 参数量:27B
    • 隐藏维度:5120
    • Token 嵌入:248320(已填充)
    • 层数:64
    • 隐藏布局:16 × (3 × (门控 DeltaNet → FFN) → 1 × (门控注意力 → FFN))
    • Gated DeltaNet:
      • 线性注意力头数:V 为 48,QK 为 16
      • 头维度:128
    • Gated Attention:
      • 注意力头数:Q 为 24,KV 为 4
      • 头维度:256
      • 旋转位置嵌入维度:64
    • Feed Forward Network:
      • 中间维度:17408
    • LM 输出:248320(已填充)
    • MTP:使用多步训练
  • 上下文长度:原生支持 262,144,可扩展至 1,010,000 个 token。

Benchmark Results

Language

GPT-5-mini 2025-08-07 GPT-OSS-120B Qwen3-235B-A22B Qwen3.5-122B-A10B Qwen3.5-27B Qwen3.5-35B-A3B
知识
MMLU-Pro 83.7 80.8 84.4 86.7 86.1 85.3
MMLU-Redux 93.7 91.0 93.8 94.0 93.2 93.3
C-Eval 82.2 76.2 92.1 91.9 90.5 90.2
SuperGPQA 58.6 54.6 64.9 67.1 65.6 63.4
指令遵循
IFEval 93.9 88.9 87.8 93.4 95.0 91.9
IFBench 75.4 69.0 51.7 76.1 76.5 70.2
MultiChallenge 59.0 45.3 50.2 61.5 60.8 60.0
长上下文
AA-LCR 68.0 50.7 60.0 66.9 66.1 58.5
LongBench v2 56.8 48.2 54.8 60.2 60.6 59.0
STEM & 推理
HLE w/ CoT 19.4 14.9 18.2 25.3 24.3 22.4
GPQA Diamond 82.8 80.1 81.1 86.6 85.5 84.2
HMMT Feb 25 89.2 90.0 85.1 91.4 92.0 89.0
HMMT Nov 25 84.2 90.0 89.5 90.3 89.8 89.2
编码
SWE-bench Verified 72.0 62.0 -- 72.0 72.4 69.2
Terminal Bench 2 31.9 18.7 -- 49.4 41.6 40.5
LiveCodeBench v6 80.5 82.7 75.1 78.9 80.7 74.6
CodeForces 2160 2157 2146 2100 1899 2028
OJBench 40.4 41.5 32.7 39.5 40.1 36.0
FullStackBench en 30.6 58.9 61.1 62.6 60.1 58.1
FullStackBench zh 35.2 60.4 63.1 58.7 57.4 55.0
通用智能体
BFCL-V4 55.5 -- 54.8 72.2 68.5 67.3
TAU2-Bench 69.8 -- 58.5 79.5 79.0 81.2
VITA-Bench 13.9 -- 31.6 33.6 41.9 31.9
DeepPlanning 17.9 -- 17.1 24.1 22.6 22.8
搜索智能体
HLE w/ tool 35.8 19.0 -- 47.5 48.5 47.4
Browsecomp 48.1 41.1 -- 63.8 61.0 61.0
Browsecomp-zh 49.5 42.9 -- 69.9 62.1 69.5
WideSearch 47.2 40.4 -- 60.5 61.1 57.1
Seal-0 34.2 45.1 -- 44.1 47.2 41.4
多语言能力
MMMLU 86.2 78.2 83.4 86.7 85.9 85.2
MMLU-ProX 78.5 74.5 77.9 82.2 82.2 81.0
NOVA-63 51.9 51.1 55.4 58.6 58.1 57.1
INCLUDE 81.8 74.0 81.0 82.8 81.6 79.7
Global PIQA 88.5 84.1 85.7 88.4 87.5 86.6
PolyMATH 67.3 54.0 60.1 68.9 71.2 64.4
WMT24++ 80.7 74.4 75.8 78.3 77.6 76.3
MAXIFE 85.3 83.7 83.2 87.9 88.0 86.6

* CodeForces:在自有查询集上进行评估。
* TAU2-Bench:我们遵循官方设置,但航空领域除外,该领域所有模型均通过应用 Claude Opus 4.5 系统卡片中提出的修复方案进行评估。
* Search Agent:大多数基于我们模型的搜索代理采用简单的上下文折叠策略(256k):一旦累积的工具响应长度达到预设阈值,历史记录中的早期工具响应将被剪枝,以保持上下文在限制范围内。
* WideSearch:我们使用 256k 上下文窗口,不进行任何上下文管理。
* MMLU-ProX:我们报告了 29 种语言上的平均准确率。
* WMT24++:经过难度标注和重新平衡后的 WMT24 更难子集;我们使用 XCOMET-XXL 报告了 55 种语言上的平均分数。
* MAXIFE:我们报告了英文 + 多语言原始提示词(共 23 个设置)上的准确率。
* 空白单元格(--)表示分数尚不可用或不适用。

视觉语言

GPT-5-mini 2025-08-07 Claude-Sonnet-4.5 Qwen3-VL-235B-A22B Qwen3.5-122B-A10B Qwen3.5-27B Qwen3.5-35B-A3B
STEM and Puzzle
MMMU 79.0 79.6 80.6 83.9 82.3 81.4
MMMU-Pro 67.3 68.4 69.3 76.9 75.0 75.1
MathVision 71.9 71.1 74.6 86.2 86.0 83.9
Mathvista(mini) 79.1 79.8 85.8 87.4 87.8 86.2
DynaMath 81.4 78.8 82.8 85.9 87.7 85.0
ZEROBench 3 4 4 9 10 8
ZEROBench_sub 27.3 26.3 28.4 36.2 36.2 34.1
VlmsAreBlind 75.8 85.5 79.5 96.7 96.9 97.0
BabyVision 20.9 18.6 22.2 40.2 / 34.5 44.6 / 34.8 38.4 / 29.6
General VQA
RealWorldQA 79.0 70.3 81.3 85.1 83.7 84.1
MMStar 74.1 73.8 78.7 82.9 81.0 81.9
MMBenchEN-DEV-v1.1 86.8 88.3 89.7 92.8 92.6 91.5
SimpleVQA 56.8 57.6 61.3 61.7 56.0 58.3
HallusionBench 63.2 59.9 66.7 67.6 70.0 67.9
Text Recognition and Document Understanding
OmniDocBench1.5 77.0 85.8 84.5 89.8 88.9 89.3
CharXiv(RQ) 68.6 67.2 66.1 77.2 79.5 77.5
MMLongBench-Doc 50.3 -- 56.2 59.0 60.2 59.5
CC-OCR 70.8 68.1 81.5 81.8 81.0 80.7
AI2D_TEST 88.2 87.0 89.2 93.3 92.9 92.6
OCRBench 82.1 76.6 87.5 92.1 89.4 91.0
Spatial Intelligence
ERQA 54.0 45.0 52.5 62.0 60.5 64.8
CountBench 91.0 90.0 93.7 97.0 97.8 97.8
RefCOCO(avg) -- -- 91.1 91.3 90.9 89.2
ODInW13 -- -- 43.2 44.5 41.1 42.6
EmbSpatialBench 80.7 71.8 84.3 83.9 84.5 83.1
RefSpatialBench 9.0 2.2 69.9 69.3 67.7 63.5
LingoQA 62.4 12.8 66.8 80.8 82.0 79.2
Hypersim -- -- 11.0 12.7 13.0 13.1
SUNRGBD -- -- 34.9 36.2 35.4 33.4
Nuscene -- -- 13.9 15.4 15.2 14.6
Video Understanding
VideoMME(w sub.) 83.5 81.1 83.8 87.3 87.0 86.6
VideoMME(w/o sub.) 78.9 75.3 79.0 83.9 82.8 82.5
VideoMMMU 82.5 77.6 80.0 82.0 82.3 80.4
MLVU 83.3 72.8 83.8 87.3 85.9 85.6
MVBench -- -- 75.2 76.6 74.6 74.8
LVBench -- -- 63.6 74.4 73.6 71.4
MMVU 69.8 70.6 71.1 74.7 73.3 72.3
Visual Agent
ScreenSpot Pro -- 36.2 62.0 70.4 70.3 68.6
OSWorld-Verified -- 61.4 38.1 58.0 56.2 54.5
AndroidWorld -- -- 63.7 66.4 64.2 71.1
Tool Calling
TIR-Bench 24.6 27.6 29.8 53.2 / 42.5 59.8 / 42.3 55.5 / 38.0
V* 71.7 58.6 85.9 93.2 / 90.1 93.7 / 89.0 92.7 / 89.5
Medical VQA
SLAKE 70.5 73.6 54.7 81.6 80.0 78.7
PMC-VQA 36.3 55.9 41.2 63.3 62.4 62.0
MedXpertQA-MM 34.4 54.0 47.6 67.3 62.4 61.4

* MathVision:我们模型的分数是使用固定提示词评估的,例如“Please reason step by step, and put your final answer within \boxed{}.”。对于其他模型,我们报告带有和不带 \boxed{} 格式的运行结果中较高的分数。
* BabyVision:报告的分数为“含 CI / 不含 CI”。
* TIR-Bench 和 V*:报告的分数为“含 CI / 不含 CI”。
* 空白单元格(--)表示分数尚不可用或不适用。

快速开始

Qwen3.5 模型默认处于思考模式,在生成最终回复之前会生成由 <think>\n...</think>\n\n 表示的思考内容。 要禁用思考内容并获得直接回复,请参阅示例 此处。

为了简化集成,我们建议通过 API 使用 Qwen3.5。以下是通过 OpenAI 兼容 API 使用 Qwen3.5 的指南。

部署 Qwen3.5

Qwen3.5 可以通过流行的推理框架以 API 形式提供服务。 在下文中,我们展示了启动 Qwen3.5 模型的 OpenAI 兼容 API 服务器的示例命令。

不同框架下的推理效率和吞吐量差异显著。 我们建议使用最新版本的框架以确保最佳性能和兼容性。 对于生产环境或高吞吐量场景,强烈推荐使用专用的推理引擎,如 SGLang、KTransformers 或 vLLM。

该模型的默认上下文长度为 262,144 个 token。 如果遇到内存溢出(OOM)错误,请考虑减小上下文窗口。 然而,由于 Qwen3.5 利用扩展上下文处理复杂任务,我们建议保持至少 128K token 的上下文长度以保留思考能力。

SGLang

SGLang 是一个用于大语言模型和视觉语言模型的高速推理框架。 对于 Qwen3.5,需要安装来自开源仓库 main 分支的 SGLang,可以在新环境中使用以下命令进行安装:

uv pip install 'git+https://github.com/sgl-project/sglang.git#subdirectory=python&egg=sglang[all]'

更多详情请参阅 其文档。

以下内容将在 http://localhost:8000/v1 创建 API 端点:

  • 标准版:以下命令可用于在 8 块 GPU 上使用张量并行创建最大上下文长度为 262,144 个 token 的 API 端点。

    python -m sglang.launch_server --model-path Qwen/Qwen3.5-27B --port 8000 --tp-size 8 --mem-fraction-static 0.8 --context-length 262144 --reasoning-parser qwen3
    
  • 工具调用:要支持工具调用,您可以使用以下命令。

    python -m sglang.launch_server --model-path Qwen/Qwen3.5-27B --port 8000 --tp-size 8 --mem-fraction-static 0.8 --context-length 262144 --reasoning-parser qwen3 --tool-call-parser qwen3_coder
    
  • 多 Token 预测 (MTP):推荐使用以下命令进行 MTP:

    python -m sglang.launch_server --model-path Qwen/Qwen3.5-27B --port 8000 --tp-size 8 --mem-fraction-static 0.8 --context-length 262144 --reasoning-parser qwen3 --speculative-algo NEXTN --speculative-num-steps 3 --speculative-eagle-topk 1 --speculative-num-draft-tokens 4
    

vLLM

vLLM 是一个高吞吐量和内存高效的 LLM 推理和服务引擎。 对于 Qwen3.5,需要安装来自开源仓库 main 分支的 vLLM,可以在新环境中使用以下命令进行安装:

uv pip install vllm --torch-backend=auto --extra-index-url https://wheels.vllm.ai/nightly

更多详情请参阅 其文档。

有关详细的 Qwen3.5 使用指南,请参阅 vLLM Qwen3.5 食谱。

以下内容将在 http://localhost:8000/v1 创建 API 端点:

  • 标准版:以下命令可用于在 8 块 GPU 上使用张量并行创建最大上下文长度为 262,144 个 token 的 API 端点。

    vllm serve Qwen/Qwen3.5-27B --port 8000 --tensor-parallel-size 8 --max-model-len 262144 --reasoning-parser qwen3 
    
  • 工具调用:要支持工具调用,您可以使用以下命令。

    vllm serve Qwen/Qwen3.5-27B --port 8000 --tensor-parallel-size 8 --max-model-len 262144 --reasoning-parser qwen3 --enable-auto-tool-choice --tool-call-parser qwen3_coder 
    
  • 多 Token 预测 (MTP):推荐使用以下命令进行 MTP:

    vllm serve Qwen/Qwen3.5-27B --port 8000 --tensor-parallel-size 8 --max-model-len 262144 --reasoning-parser qwen3 --speculative-config '{"method":"qwen3_next_mtp","num_speculative_tokens":2}'
    
  • 纯文本:以下命令会跳过视觉编码器和多模态配置,以释放内存用于额外的 KV 缓存:

    vllm serve Qwen/Qwen3.5-27B --port 8000 --tensor-parallel-size 8 --max-model-len 262144 --reasoning-parser qwen3 --language-model-only
    

KTransformers

KTransformers 是一个灵活的框架,用于体验具有 CPU-GPU 异构计算的前沿 LLM 推理优化。 要在 KTransformers 中运行 Qwen3.5,请参阅 KTransformers 部署指南。

HF Mirror Transformers

HF Mirror Transformers 包含一个 轻量级 服务器,可用于快速测试和中度负载部署。 Qwen3.5 需要最新的 transformers:

pip install "transformers[serving] @ git+https://github.com/huggingface/transformers.git@main"

更多详情请参阅 其文档。请同时确保已安装 torchvision 和 pillow。

然后,运行 transformers serve 启动服务器,API 端点位于 http://localhost:8000/v1;如果可用,它会将模型放置在加速器上:

transformers serve --force-model Qwen/Qwen3.5-27B --port 8000 --continuous-batching

通过 Chat Completions API 使用 Qwen3.5

Chat completions API 可通过标准 HTTP 请求或 OpenAI SDK 访问。 在此,我们展示使用 OpenAI Python SDK 的示例。

在开始之前,请确保已安装并配置了 API key 和 API base URL,例如:

pip install -U openai

# Set the following accordingly
export OPENAI_BASE_URL="http://localhost:8000/v1"
export OPENAI_API_KEY="EMPTY"

我们建议使用以下一组采样参数进行生成

  • 通用任务的思考模式:temperature=1.0, top_p=0.95, top_k=20, min_p=0.0, presence_penalty=1.5, repetition_penalty=1.0
  • 精确编码任务(如 WebDev)的思考模式:temperature=0.6, top_p=0.95, top_k=20, min_p=0.0, presence_penalty=0.0, repetition_penalty=1.0
  • 通用任务的指令(或非思考)模式:temperature=0.7, top_p=0.8, top_k=20, min_p=0.0, presence_penalty=1.5, repetition_penalty=1.0
  • 推理任务的指令(或非思考)模式:temperature=1.0, top_p=0.95, top_k=20, min_p=0.0, presence_penalty=1.5, repetition_penalty=1.0

请注意,对采样参数的支持因推理框架而异。

纯文本输入

from openai import OpenAI
# Configured by environment variables
client = OpenAI()

messages = [
    {"role": "user", "content": "Type \"I love Qwen3.5\" backwards"},
]

chat_response = client.chat.completions.create(
    model="Qwen/Qwen3.5-27B",
    messages=messages,
    max_tokens=81920,
    temperature=1.0,
    top_p=0.95,
    presence_penalty=1.5,
    extra_body={
        "top_k": 20,
    }, 
)
print("Chat response:", chat_response)

图像输入

from openai import OpenAI
# Configured by environment variables
client = OpenAI()

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image_url",
                "image_url": {
                    "url": "https://qianwen-res.oss-accelerate.aliyuncs.com/Qwen3.5/demo/CI_Demo/mathv-1327.jpg"
                }
            },
            {
                "type": "text",
                "text": "The centres of the four illustrated circles are in the corners of the square. The two big circles touch each other and also the two little circles. With which factor do you have to multiply the radii of the little circles to obtain the radius of the big circles?\nChoices:\n(A) $\\frac{2}{9}$\n(B) $\\sqrt{5}$\n(C) $0.8 \\cdot \\pi$\n(D) 2.5\n(E) $1+\\sqrt{2}$"
            }
        ]
    }
]

chat_response = client.chat.completions.create(
    model="Qwen/Qwen3.5-27B",
    messages=messages,
    max_tokens=81920,
    temperature=1.0,
    top_p=0.95,
    presence_penalty=1.5,
    extra_body={
        "top_k": 20,
    }, 
)
print("Chat response:", chat_response)

视频输入

from openai import OpenAI
# Configured by environment variables
client = OpenAI()

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "video_url",
                "video_url": {
                    "url": "https://qianwen-res.oss-accelerate.aliyuncs.com/Qwen3.5/demo/video/N1cdUjctpG8.mp4"
                }
            },
            {
                "type": "text",
                "text": "How many porcelain jars were discovered in the niches located in the primary chamber of the tomb?"
            }
        ]
    }
]

# When vLLM is launched with `--media-io-kwargs '{"video": {"num_frames": -1}}'`,
# video frame sampling can be configured via `extra_body` (e.g., by setting `fps`).
# This feature is currently supported only in vLLM.
#
# By default, `fps=2` and `do_sample_frames=True`.
# With `do_sample_frames=True`, you can customize the `fps` value to set your desired video sampling rate.
chat_response = client.chat.completions.create(
    model="Qwen/Qwen3.5-27B",
    messages=messages,
    max_tokens=81920,
    temperature=1.0,
    top_p=0.95,
    presence_penalty=1.5,
    extra_body={
        "top_k": 20,
        "mm_processor_kwargs": {"fps": 2, "do_sample_frames": True},
    }, 
)

print("Chat response:", chat_response)

指令(或非思考)模式

Qwen3.5 官方不支持 Qwen3 的软切换,即 /think 和 /nothink。

Qwen3.5 默认会在回复前进行思考。 您可以通过配置 API 参数从模型获取直接回复而不经过思考。 例如,

from openai import OpenAI
# Configured by environment variables
client = OpenAI()

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image_url",
                "image_url": {
                    "url": "https://qianwen-res.oss-accelerate.aliyuncs.com/Qwen3.5/demo/RealWorld/RealWorld-04.png"
                }
            },
            {
                "type": "text",
                "text": "Where is this?"
            }
        ]
    }
]

chat_response = client.chat.completions.create(
    model="Qwen/Qwen3.5-27B",
    messages=messages,
    max_tokens=32768,
    temperature=0.7,
    top_p=0.8,
    presence_penalty=1.5,
    extra_body={
        "top_k": 20,
        "chat_template_kwargs": {"enable_thinking": False},
    }, 
)
print("Chat response:", chat_response)

如果您使用的是阿里云百炼的 API,除了修改 model 之外,请使用 "enable_thinking": False 替代 "chat_template_kwargs": {"enable_thinking": False}。

智能体使用

Qwen3.5 在工具调用能力方面表现出色。

Qwen-Agent

我们建议使用 Qwen-Agent 快速构建基于 Qwen3.5 的智能体应用。

要定义可用工具,您可以使用 MCP 配置文件、使用 Qwen-Agent 的集成工具,或自行集成其他工具。

import os
from qwen_agent.agents import Assistant

# Define LLM
# Using Alibaba Cloud Model Studio
llm_cfg = {
    # Use the OpenAI-compatible model service provided by DashScope:
    'model': 'Qwen3.5-27B',
    'model_type': 'qwenvl_oai',
    'model_server': 'https://dashscope.aliyuncs.com/compatible-mode/v1',
    'api_key': os.getenv('DASHSCOPE_API_KEY'),

    'generate_cfg': {
        'use_raw_api': True,
        # When using Dash Scope OAI API, pass the parameter of whether to enable thinking mode in this way
        'extra_body': {
            'enable_thinking': True
        },
    },
}

# Using OpenAI-compatible API endpoint.
# functionality of the deployment frameworks and let Qwen-Agent automate the related operations.
#
# llm_cfg = {
#     # Use your own model service compatible with OpenAI API by vLLM/SGLang:
#     'model': 'Qwen/Qwen3.5-27B',
#     'model_type': 'qwenvl_oai',
#     'model_server': 'http://localhost:8000/v1',  # api_base
#     'api_key': 'EMPTY',
#
#     'generate_cfg': {
#         'use_raw_api': True,
#         # When using vLLM/SGLang OAI API, pass the parameter of whether to enable thinking mode in this way
#         'extra_body': {
#             'chat_template_kwargs': {'enable_thinking': True}
#         },
#     },
# }

# Define Tools
tools = [
    {'mcpServers': {  # You can specify the MCP configuration file
            "filesystem": {
                "command": "npx",
                "args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/xxxx/Desktop"]
            }
        }
    }
]

# Define Agent
bot = Assistant(llm=llm_cfg, function_list=tools)

# Streaming generation
messages = [{'role': 'user', 'content': 'Help me organize my desktop.'}]
for responses in bot.run(messages=messages):
    pass
print(responses)

# Streaming generation
messages = [{'role': 'user', 'content': 'Develop a dog website and save it on the desktop'}]
for responses in bot.run(messages=messages):
    pass
print(responses)

Qwen Code

Qwen Code 是一款面向终端的开源 AI 智能体,针对 Qwen 模型进行了优化。它帮助您理解大型代码库、自动化繁琐工作并加快交付速度。

更多信息,请参阅 Qwen Code。

处理超长文本

Qwen3.5 原生支持长达 262,144 tokens 的上下文长度。 对于总长度(包括输入和输出)超过此限制的长周期任务,我们建议使用 RoPE 缩放技术来有效处理长文本,例如 YaRN。

YaRN 目前得到多个推理框架的支持,例如 transformers、vllm、ktransformers 和 sglang。 一般来说,为支持的框架启用 YaRN 有两种方法:

  • 修改模型配置文件: 在 config.json 文件中,将 text_config 中的 rope_parameters 字段更改为:

    {
        "mrope_interleaved": true,
        "mrope_section": [
            11,
            11,
            10
        ],
        "rope_type": "yarn",
        "rope_theta": 10000000,
        "partial_rotary_factor": 0.25,
        "factor": 4.0,
        "original_max_position_embeddings": 262144,
    }
    
  • 传递命令行参数:

    对于 vllm,您可以使用

    VLLM_ALLOW_LONG_MAX_MODEL_LEN=1 vllm serve ... --hf-overrides '{"text_config": {"rope_parameters": {"mrope_interleaved": true, "mrope_section": [11, 11, 10], "rope_type": "yarn", "rope_theta": 10000000, "partial_rotary_factor": 0.25, "factor": 4.0, "original_max_position_embeddings": 262144}}}' --max-model-len 1010000  
    

    对于 sglang 和 ktransformers,您可以使用

    SGLANG_ALLOW_OVERWRITE_LONGER_CONTEXT_LEN=1 python -m sglang.launch_server ... --json-model-override-args '{"text_config": {"rope_parameters": {"mrope_interleaved": true, "mrope_section": [11, 11, 10], "rope_type": "yarn", "rope_theta": 10000000, "partial_rotary_factor": 0.25, "factor": 4.0, "original_max_position_embeddings": 262144}}}' --context-length 1010000
    

所有主要的开源框架都实现了静态 YaRN,这意味着缩放因子保持不变,无论输入长度如何,这可能会影响短文本的性能。 我们建议仅在需要处理长上下文时才修改 rope_parameters 配置。 同时也建议根据需要修改 factor。例如,如果您的应用的典型上下文长度为 524,288 tokens,则将 factor 设置为 2.0 会更佳。

最佳实践

为了实现最佳性能,我们推荐以下设置:

  1. 采样参数:

    • We suggest using the following sets of sampling parameters depending on the mode and task type:
      • 通用任务的思考模式:
        temperature=1.0、top_p=0.95、top_k=20、min_p=0.0、presence_penalty=1.5、repetition_penalty=1.0
      • 精确编码任务(如 WebDev)的思考模式:
        temperature=0.6、top_p=0.95、top_k=20、min_p=0.0、presence_penalty=0.0、repetition_penalty=1.0
      • 通用任务的指令(或非思考)模式:
        temperature=0.7、top_p=0.8、top_k=20、min_p=0.0、presence_penalty=1.5、repetition_penalty=1.0
      • 推理任务的指令(或非思考)模式:
        temperature=1.0、top_p=1.0、top_k=40、min_p=0.0、presence_penalty=2.0、repetition_penalty=1.0
    • 对于支持的框架,您可以将 presence_penalty 参数在 0 到 2 之间调整,以减少无限重复。然而,使用较高的值偶尔可能导致语言混合以及模型性能的轻微下降。
  2. 充足的输出长度: 我们建议大多数查询使用 32,768 tokens 的输出长度。对于高度复杂问题(如数学和编程竞赛中的问题)的基准测试,我们建议将最大输出长度设置为 81,920 tokens。这为模型提供了足够的空间来生成详细且全面的回答,从而提升其整体性能。

  3. 标准化输出格式: 我们建议在基准测试时使用提示词来规范模型输出。

    • 数学问题: 在提示词中包含“请逐步推理,并将最终答案放在 \boxed{} 中。”
    • 选择题: 在提示词中添加以下 JSON 结构以规范回答:“请在 answer 字段中仅显示选项字母,例如 "answer": "C"。”
  4. 历史中无思考内容:在多轮对话中,历史模型输出应仅包含最终输出部分,无需包含思考内容。该功能通过提供的 Jinja2 聊天模板实现。然而,对于不直接使用 Jinja2 聊天模板的框架,由开发者确保遵循最佳实践。

  5. 长视频理解:为优化纯文本和图像的推理效率,发布的 size 中的 video_preprocessor_config.json 参数被保守配置。建议将 video_preprocessor_config 文件中的 longest_edge 参数设置为 469,762,048(对应 224k 视频 token),以启用小时级视频的高帧率采样,从而获得更优性能。例如,

    {"longest_edge": 469762048, "shortest_edge": 4096}
    

    Alternatively, override the default values via engine startup parameters. For implementation details, refer to: vLLM / SGLang.

引用

如果您觉得我们的工作有帮助,欢迎引用我们。

@misc{qwen3.5,
    title  = {{Qwen3.5}: Towards Native Multimodal Agents},
    author = {{Qwen Team}},
    month  = {February},
    year   = {2026},
    url    = {https://qwen.ai/blog?id=qwen3.5}
}

来源:Qwen 模型发布 · hf-mirror.com