CAIE注册人工智能工程师

公众号作者

CAIE，全称 Certifed Artifcial Intelligence Engineer（人工智能工程师），简称 CAIE（赛一） ，是人工智能领域的技能等级认证。旨在评估和培养具备人工智能理论基础与实战能力的职业人士。

继之前Qwen3.6-Plus发布之后，阿里通义千问团队又放大招，刚把Qwen3.6-35B-A3B全量开源了，直接把开源小模型的天花板抬到了新高度。

谷歌最新开源的Gemma 4-31B在它面前，几乎全面被碾压。

开源地址：https://modelscope.cn/models/Qwen/Qwen3.6-35B-A3B

https://huggingface.co/Qwen/Qwen3.6-35B-A3B

Qwen3.6-35B-A3B是典型的混合专家模型，总参数看着有350亿，但实际运行的时候只需要激活30亿参数，相当于用轻量级的算力消耗，跑出了大模型级别的性能。

这一点真的太关键了，不管是个人开发者本地部署，还是企业做落地应用，算力成本都能省一大笔。同时支持多模态思考和非思考两种模式。

全面碾压谷歌Gemma 4

我特意把两款模型的核心测试数据做了对比，从编程到通用推理，再到多模态。

Qwen3.6-35B-A3B猛超谷歌刚发布的Gemma 4-31B，各项核心任务的领先幅度都不小，是实打实的碾压。

先看最核心的智能体编程能力，这也是开发者最关心的点，几款主流的测试基准里，Qwen3.6-35B-A3B的表现都甩开Gemma 4-31B一大截。

SWE-benchVerified测试里直接拿到73.4的分数，比Gemma 4-31B的52.0高出21.4，这几乎是断层领先了。

就算是多语言编程测试，也比谷歌的模型高出15.5，专业的工程化测试SWE-benchPro里，领先幅度也有13.8。

还有终端操作、通用代码评估这些测试，每一项都比Gemma 4-31B强，平均下来领先幅度都在20左右。

简单来说就是用这款模型做AI编程助手，写代码、查bug、做工程开发，效率会比用Gemma 4-31B高太多。

再看通用智能体能力，也就是模型的工具调用、复杂任务规划、多模态交互这些能力，两款模型的差距同样很明显。

虽然在TAU3-Bench测试里分数差不多，几乎持平，但在深度规划测试里，Qwen3.6-35B-A3B的表现就更优了，尤其是MCPMark这个核心测试，直接拿到37.0的分数，而Gemma 4-31B只有18.1，相当于直接翻倍。

多模态交互的核心测试里，也比谷歌的模型高出5个多点，能看出来这款模型在处理复杂任务、对接各类工具的时候，灵活性和准确性都要更强。

知识储备和通用推理方面，两款模型的基础知识储备差不多，在MMLU-Pro这类通用知识测试里分数完全持平，MMLU-Redux里也只是微差，几乎可以忽略不计。

但重点在中文理解和STEM推理上，Qwen3.6-35B-A3B的优势就体现出来了。

C-Eval作为中文理解的核心测试，直接拿到90.0的高分，而Gemma 4-31B只有82.6，高出7，STEM推理测试里也领先1.7。

这对于国内开发者来说，中文理解能力强这一点，用起来的体验会好太多，不用再纠结模型对中文指令的理解偏差。

最后是多模态能力，这也是Qwen3.6-35B-A3B的强项，视觉、文档、视频理解全方面领先，部分任务的领先幅度还超过了10。

视觉问答的真实场景测试里，拿到85.3的分数，比Gemma 4-31B高出13，文档理解的核心测试里，更是从80.1直接干到89.9，接近90的高分，视频理解测试里也保持着领先。

更关键的是，谷歌Gemma 4-31B在空间智能相关的测试里几乎是空白，而Qwen3.6-35B-A3B在这方面有明确的高分表现，不管是图片里的目标定位，还是多语言的空间理解，都能轻松应对，多模态的全面性直接拉满。

为啥能轻松战胜谷歌Gemma 4

很多人可能会好奇，为啥Qwen3.6-35B-A3B只用30亿激活参数，就能干翻谷歌31B的Gemma 4，其实核心就在四个技术优化上，每一个都踩在了模型优化的关键点上。

首先是稀疏MoE架构的革新，这是最核心的一点。传统的稠密模型运行时要调动全部参数，算力消耗大，而这款模型用的稀疏架构，总参数350亿但只激活30亿。