Sparse MoE：35B総パラメータ・3Bアクティブ#

Qwen3.6-35B-A3Bの「A3B」は Activated 3B（推論時のアクティブパラメータが約3B）を意味する^1。

通常の密なTransformerは全パラメータを使って推論するが、MoE（Mixture of Experts）はトークンごとに必要な「専門家」モジュールだけを活性化する。Qwen3.6はこの設計で35Bの知識を持ちつつ、推論コストは3B相当という効率を実現している。

Qwen3（2025年）の235B-A22BモデルもMoEだったが、Qwen3.6はさらに小型アクティブパラメータで高い性能を狙った設計になっている。

マルチモーダル対応#

テキストだけでなく画像・動画も入力できるビジョン言語モデル（VLM）になっている。前世代のQwen3はテキスト中心だったため、この点は大きな進化だ^2。

Thinkingモードのデフォルト化と保持#

Qwen3で導入された「ThinkingモードとNon-thinkingモードの統合」がQwen3.6でもベースにある。Qwen3.6ではThinkingモードがデフォルトでオンになっており、さらにThinking Preservationという機能が追加された^3。

これは複数ターンの会話にまたがって推論コンテキスト（thinking context）を保持する仕組みで、エージェントとして長期的なタスクを処理する際に有効に働く。

長コンテキスト#

ネイティブで262,144トークン（約20万字超）のコンテキスト長を持ち、YaRNスケーリングを使えば約100万トークンまで拡張できる^1。長いコードベースや大きなリポジトリを丸ごと渡すユースケースに対応している。

コーディング系（強みの核心）#

SWE-benchはGitHubのIssueをAIが自動で解く難しいベンチマークで、実際のソフトウェアエンジニアリング能力を測る指標として注目されている。73.4というスコアはオープンソースモデルとしてはトップクラスの水準だ^4。

QwenWebBenchはAlibaba内部のフロントエンドコード生成ベンチマーク（7カテゴリの日中バイリンガル評価）で、前世代のQwen3.5シリーズと比較して大幅なスコアアップを達成している^2。

推論・汎用能力#

AIME 2026で92.7、GPQA Diamondで86.0というスコアは、35Bクラスのモデルとして非常に高い水準にある^5。Thinkingモードによる多段階推論が数学・科学の難問で威力を発揮している。

1. Over-thinkingの改善#

Qwen3.5は推論トークンを使いすぎる傾向（over-thinking）が指摘されていた。3.6 Plusで比較したところ、推論トークンを約515削減しつつ出力量は増え、品質も向上している^7。

「考えすぎて遅い・長い」という実用上の不満が改善された形で、エージェントとして使うときの応答速度・コスト効率に直結する点だ。

2. ハイブリッドアーキテクチャの採用#

Qwen3.5はSparse MoEをベースとしていたが、Qwen3.6 Plus（クローズドAPI版）ではGated Delta Networks と Sparse MoE を組み合わせたハイブリッドアーキテクチャが採用されている^7。

Gated Delta Networksは線形アテンション系の効率的なシーケンスモデルで、長コンテキストの処理スループット向上に寄与するとされる。オープンウェイトの35B-A3BがこのアーキテクチャをそのままPlusと共有しているかは明確ではないが、設計思想は共通している。

3. Thinking Preservationの追加#

Qwen3.5にはなかった機能として、preserve_thinkingパラメータが追加された^7。エージェントワークフローで推論過程（chain-of-thought）を会話履歴に保持できる。

単発の応答ではなく、複数ステップにわたるタスク（リポジトリ調査→修正→テスト、など）でAIが「前の考えの続き」として推論できるようになる。

まとめると#

コーディング特化だけでなく、「推論の質と効率」というモデル全体の地力が上がっている印象だ。