MLMs之Agent之Qwen：Qwen3.5的简介、安装和使用方法、案例应用之详细攻略
目录
[第三方工具联动：OpenClaw 集成](#第三方工具联动：OpenClaw 集成)
[视觉智能体与自动化（多示例）：GUI 智能体、视觉编程、空间智能](#视觉智能体与自动化（多示例）：GUI 智能体、视觉编程、空间智能)
[视觉推理与解题（教育 / STEM 场景）](#视觉推理与解题（教育 / STEM 场景）)
Qwen3.5 的 简介
Qwen3.5-397B-A17B 是Qwen3.5系列的第一款模型，于2026年2月14日正式发布开放权重版本。它是一个原生视觉-语言模型，旨在通过统一的架构处理和理解多种模态的信息。该模型在推理、编程、智能体能力与多模态理解等多个维度的基准评估中表现优异，其设计目标是助力开发者和企业显著提升生产力。
Qwen3.5 是一次面向 原生多模态智能体 的系统性升级：在架构（混合注意力 + MoE）、预训练数据、RL 环境扩展、系统与硬件协同优化方面同时发力。智能体长期发展方向，指出下一阶段重点是从模型规模转向系统整合：包括跨会话持久记忆、具身接口（embodied interfaces）与自我改进机制，目标是打造能够长期自主运行且逻辑一致的智能体------从"按任务边界的助手"升级为"可持续、可信赖的伙伴"。
官网地址 ：https://qwen.ai/blog?id=qwen3.5
1、 特点
>> 创新的混合架构： 模型采用了一种将线性注意力（Gated Delta Networks） 与稀疏混合专家（MoE） 相结合的新型架构。这种设计在保持强大模型能力的同时，优化了推理速度与成本。采用混合架构，将线性注意力（Gated Delta Networks / Gated Attention）与稀疏混合专家（MoE）结合，达到高效推理与能力保留的折中。每次前向传播仅激活约 170 亿 参数以降低成本与延迟。将 Gated DeltaNet（线性/混合注意力变体）与高稀疏度的 MoE 结合，既保证模型能力又显著提升计算/推理效率。
>> 高效的激活参数： 模型总参数量达到3970亿，但在每次前向传播中，仅激活其中的170亿参数。这种稀疏激活的方式是其实现高效推理的关键。
>> ****原生多模态能力：****作为原生视觉-语言模型，它天生具备处理图像和文本混合输入的能力，能够执行复杂的视觉理解和推理任务。在预训练阶段就采用文本-视觉早期融合策略，增强视觉 + STEM + 视频能力，使得在同规模下优于之前的 Qwen3-VL。支持像素级空间理解（物体计数、相对位置、空间关系），对遮挡和视角变化鲁棒性更好。
>> 超长上下文窗口（API版本）： 通过阿里云百炼平台提供的API版本 Qwen3.5-Plus，支持高达 1M token 的上下文窗口，能够一次性处理如三体三部曲体量的长篇内容。在 32k/256k 长上下文场景下，Qwen3.5-397B-A17B 的解码吞吐量远超前代（文中给出与 Qwen3-Max 与 Qwen3-235B 的倍数对比），在保持性能的同时大幅提高速度。
****>> 能力倾向：****文中强调 Qwen3.5 在自然语言理解、视觉问答、STEM（数学）、编程代理与通用 Agent 能力等多项基准上有显著表现。作者同时指出 Qwen3.5 的提升很大程度上来自更广泛、更难、可泛化的强化学习（RL）训练集与环境扩展。
>> 广泛的多语言支持： 模型支持的语言和方言数量从之前的119种大幅扩展至201种，为全球更多地区的用户提供了可用性。词表从 15 万扩到 25 万，提升编码/解码效率。词表扩充至 250k，带来 10--60% 的编码/解码效率提升（视语言而定）。
>> 训练与系统工程优化：异构基础设施（视觉/语言组件解耦并行）、原生 FP8 流水线、激活显存降低、动态路由与 MoE 优化，使训练吞吐率接近或达到纯文本基线的近 100%。可扩展的异步强化学习框架（训推分离、Rollout 路由回放、投机采样、多轮 Rollout 锁定等）提升硬件利用率、训练稳定性与端到端加速（文中提到 3×--5× 加速范围）。
工具与代理能力（agent）：模型内建对链式思考 / 推理模式的支持，能边思考、边搜索、边调用工具（search、Code Interpreter 等）。官方提供三种交互模式：自动（auto，带自适应思考与工具调用）、思考（thinking，深度推理链）、快速（fast，直接回答且不消耗思考 token）。
2、 模型性能
根据官网文章中公布的评估数据，Qwen3.5-397B-A17B在与GPT-5.2、Claude 4.5 Opus等前沿模型的对比中，展现了全面且具有竞争力的性能：
>> 自然语言处理：在知识类（MMLU-Pro 87.8分）、指令遵循（IFBench 76.5分、MultiChallenge 67.6分）和多语言任务（NOVA-63 59.1分、MAXIFE 88.2分）上表现突出。
>> 视觉语言理解：在数学推理（MathVision 88.6分、Mathvista 90.3分）、文档理解（OmniDocBench1.5 90.8分、OCRBench 93.1分）和空间智能（RefCOCO 92.3分、V*基准 95.8分）等多个视觉任务上取得了领先或顶尖的分数。
>> 智能体能力：在通用智能体（BFCL-V4 72.9分、TAU2-Bench 86.7分）、搜索智能体（BrowseComp 78.6分）和编程智能体（SecCodeBench 68.3分）等任务上也展现出强大的工具使用和任务执行潜力。
Qwen3.5 的 安装与使用方法
1、安装
官网文章主要介绍了模型的开放权重版本和API服务版本：
- 开放权重版本：文章提到发布了 Qwen3.5-397B-A17B 的开放权重版本，开发者可以获取模型权重进行本地部署和研究。
- API服务版本：对于希望通过API直接调用的用户，可以通过阿里云百炼平台使用该模型的API版本 Qwen3.5-Plus。该版本不仅拥有1M的超长上下文，还集成了官方工具及自适应调用功能。
在 Qwen Chat 上可直接使用三种交互模式（auto / thinking / fast）。
若通过云 API 使用（原文以阿里云百炼为例），需要获得百炼的 API Key 并配置相应环境变量，调用 qwen3.5-plus（或按需覆盖模型名）。
可通过 extra_body 参数开启思考（链式思考）或联网搜索 / Code Interpreter 等能力（示例参数：enable_thinking, enable_search）。
2、使用方法
用户可通过阿里云百炼调用我们的旗舰模型 Qwen3.5-Plus 进行体验。若要开启推理、联网搜索与 Code Interpreter 等高级能力，只需传入以下参数：
enable_thinking：开启推理模式（链式思考）enable_search：开启联网搜索与 Code Interpreter
python
"""
Environment variables (per official docs):
DASHSCOPE_API_KEY: Your API Key from https://bailian.console.aliyun.com
DASHSCOPE_BASE_URL: (optional) Base URL for compatible-mode API.
DASHSCOPE_MODEL: (optional) Model name; override for different models.
DASHSCOPE_BASE_URL:
- Beijing: https://dashscope.aliyuncs.com/compatible-mode/v1
- Singapore: https://dashscope-intl.aliyuncs.com/compatible-mode/v1
- US (Virginia): https://dashscope-us.aliyuncs.com/compatible-mode/v1
"""
from openai import OpenAI
import os
api_key = os.environ.get("DASHSCOPE_API_KEY")
if not api_key:
raise ValueError(
"DASHSCOPE_API_KEY is required. "
"Set it via: export DASHSCOPE_API_KEY='your-api-key'"
)
client = OpenAI(
api_key=api_key,
base_url=os.environ.get(
"DASHSCOPE_BASE_URL",
"https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
),
)
messages = [{"role": "user", "content": "Introduce Qwen3.5."}]
model = os.environ.get(
"DASHSCOPE_MODEL",
"qwen3.5-plus",
)
completion = client.chat.completions.create(
model=model,
messages=messages,
extra_body={
"enable_thinking": True,
"enable_search": False
},
stream=True
)
reasoning_content = "" # Full reasoning trace
answer_content = "" # Full response
is_answering = False # Whether we have entered the answer phase
print("\n" + "=" * 20 + "Reasoning" + "=" * 20 + "\n")
for chunk in completion:
if not chunk.choices:
print("\nUsage:")
print(chunk.usage)
continue
delta = chunk.choices[0].delta
# Collect reasoning content only
if hasattr(delta, "reasoning_content") and delta.reasoning_content is not None:
if not is_answering:
print(delta.reasoning_content, end="", flush=True)
reasoning_content += delta.reasoning_content
# Received content, start answer phase
if hasattr(delta, "content") and delta.content:
if not is_answering:
print("\n" + "=" * 20 + "Answer" + "=" * 20 + "\n")
is_answering = True
print(delta.content, end="", flush=True)
answer_content += delta.contentQwen3.5 的 案例应用
1、基础用法
根据其强大的多模态理解和智能体能力，可以推断出丰富的应用方向。文章特别强调了在"搜索智能体"和"视觉智能体"方面的潜力，例如：
复杂的搜索智能体
模型在BrowseComp、WideSearch等需要结合工具进行信息查找和整合的基准上表现优异，可用于构建能够理解复杂查询、自主浏览网页并整合信息的下一代搜索引擎或研究助手。
视觉交互智能体
在ScreenSpot Pro、OSWorld-Verified等视觉智能体基准上的表现，预示着模型可以作为"眼睛"和"大脑"，驱动能够理解和操作图形用户界面（GUI）的自动化程序，例如自动化测试、跨应用工作流执行等。
高级文档分析
在OmniDocBench、CC-OCR等文档理解基准上的高分，表明模型能够精确地从复杂的扫描文档、图表、截图中提取并推理信息，适用于金融、法律、科研等领域的深度文档分析。
2、进阶用法
集成与编程辅助
网页开发 / 前端生成：Qwen3.5 能将自然语言指令转为可运行的前端代码，擅长 UI 构建与网页开发任务，能把简单指令转为可直接运行的代码片段（文中演示"网页开发"）。
Qwen Code（编码体验）：以 Qwen3.5 为底层，Qwen Code 提供所谓的 "vibe coding" 体验：把自然语言实时迭代为代码、支持富创意任务（如生成视频等）。（在本文档中的演示项里有相关示例。）
第三方工具联动 ： OpenClaw 集成
OpenClaw 集成：文中展示 Qwen3.5 与 OpenClaw 集成的演示：通过 OpenClaw 作为第三方智能体环境，模型能进行网页搜索、信息收集与结构化报告生成 ------ 体现模型与外部工具/接口联动的能力（"Search and Report" 演示）。
Code Interpreter / 搜索工具：在 API 中可通过 enable_search、enable_thinking 等参数开启联网搜索与 Code Interpreter，从而实现边思考边检索并执行代码的工作流。
视觉智能体与自动化（多示例） ： GUI 智能体 、 视觉编程 、 空间智能
GUI 智能体：在移动端与 PC 端分别演示，移动端适配主流应用并支持自然语言驱动操作；PC 端可以跨应用执行数据整理与多步骤流程自动化（示例：Excel 的"填补缺失行/列并求总值"场景）。
视觉编程：将手绘界面草图转换为结构清晰的前端代码；把简单游戏视频还原为逻辑并生成前端实现（文中有"Video Game to Code"示例）。
空间智能 / 自动驾驶场景：基于像素级位置建模，模型可进行物体计数、相对位置判断和空间关系描述，示例中包含驾驶场景的帧序列分析（分析为何车辆在某时刻没有停车的判定示例）。
视觉推理与解题（教育 / STEM 场景）
迷宫最短路径：文中展示了如何解析迷宫图像、网格化（21×21，单元格 28 像素）、定位起终点并用 BFS 找到最短路径（示例实现与绘制流程与代码都在文中）。
找不同 / 视觉辨识题：演示模型对小差异图像的细粒度定位能力（文中示例定位到第一行第 4 个为不同项并给出判定依据）。
数学/推理结合视觉：在 MathVision、We-Math 等多模态 STEM 基准上，模型在图文混合题型也有专门表现（文中列出该类基准及成绩摘要）。