Qwen3.6-35B-A3B
阿里巴巴通义千问系列的混合专家（MoE）模型，总参数约36B，激活参数约3.5B，推理成本显著低于同规模稠密模型，支持4-bit量化本地部署
核心事实
时间轴 (近 90 天)
当前MIRA的结果基于Qwen3.6-35B-A3B这一特定基础模型，MIRA-Harness和MIRA-Data的通用性仍需在更多模型上验证。
Drex开放权重但采用Open RAIL-M许可，带使用限制，不属于OSI定义的开源；提供托管和自托管双通道；基于Qwen3.6-35B-A3B MoE，总参35B、激活约3B；自托管默认上下文16K、最高128K，托管128K
在 Qwen3.6-35B-A3B 上以 50% 专家剪枝比例运行时，SlimWise 将解码吞吐提升到最高 1.81 倍，且准确率损失极小。
对于构建本地Agent任务（如自动化脚本编排、浏览器操作、文件管理），LFM2.5-24B-A2B的速度优势更适合；对于代码辅助任务，Qwen3.6-35B-A3B更合适
LFM2.5-24B-A2B和Qwen3.6-35B-A3B都是开源可本地部署的MoE架构模型，硬件需求在消费级高端设备范围内
Liquid AI公布的数据显示LFM2.5-24B-A2B在工具使用类benchmark上击败了Qwen3.6-35B-A3B
LFM2.5-24B-A2B在八项工具使用基准中，在五项上超过了Qwen3.6-35B-A3B。
在 AutomationBench 评测中，LFM2.5-24B-A2B 得分 27.69%，高于 Qwen3.6-35B-A3B 的 8.72%、Gemma-4-26B-A4B 的 5.46% 和 Nemotron-3.5-Lightning 的 2.61%。
在 SWE-bench Verified 评测中，LFM2.5-24B-A2B 得分 51.00%，落后于 Qwen3.6-35B-A3B 的 66.20% 和 Claude Sonnet 5.5 的 55.2%。
LFM2.5-24B-A2B 在多个指令遵循和 agentic 基准上优于 Qwen3.6-35B-A3B、Gemma-4-26B-A4B-it 和 Nemotron-3.5-Lightning（30B-A3B），但在 SWE-Bench Verified、GPQA Diamond 等知识密集型基准上落后。
还有 7 条时间轴事件
全部知识事实 (17)
Qwen3.6 35B-A3B是混合专家架构（MoE），总参数量35B，每次推理实际激活参数量约3B
70%待验证当前MIRA的结果基于Qwen3.6-35B-A3B这一特定基础模型，MIRA-Harness和MIRA-Data的通用性仍需在更多模型上验证。
50%待验证Drex开放权重但采用Open RAIL-M许可，带使用限制，不属于OSI定义的开源；提供托管和自托管双通道；基于Qwen3.6-35B-A3B MoE，总参35B、激活约3B；自托管默认上下文16K、最高128K，托管128K
50%待验证在 Qwen3.6-35B-A3B 上以 50% 专家剪枝比例运行时，SlimWise 将解码吞吐提升到最高 1.81 倍，且准确率损失极小。
50%待验证对于构建本地Agent任务（如自动化脚本编排、浏览器操作、文件管理），LFM2.5-24B-A2B的速度优势更适合；对于代码辅助任务，Qwen3.6-35B-A3B更合适
50%待验证Liquid AI公布的数据显示LFM2.5-24B-A2B在工具使用类benchmark上击败了Qwen3.6-35B-A3B
50%待验证LFM2.5-24B-A2B和Qwen3.6-35B-A3B都是开源可本地部署的MoE架构模型，硬件需求在消费级高端设备范围内
50%待验证LFM2.5-24B-A2B在八项工具使用基准中，在五项上超过了Qwen3.6-35B-A3B。
50%待验证在 AutomationBench 评测中，LFM2.5-24B-A2B 得分 27.69%，高于 Qwen3.6-35B-A3B 的 8.72%、Gemma-4-26B-A4B 的 5.46% 和 Nemotron-3.5-Lightning 的 2.61%。
50%待验证在 SWE-bench Verified 评测中，LFM2.5-24B-A2B 得分 51.00%，落后于 Qwen3.6-35B-A3B 的 66.20% 和 Claude Sonnet 5.5 的 55.2%。
50%待验证LFM2.5-24B-A2B 在多个指令遵循和 agentic 基准上优于 Qwen3.6-35B-A3B、Gemma-4-26B-A4B-it 和 Nemotron-3.5-Lightning（30B-A3B），但在 SWE-Bench Verified、GPQA Diamond 等知识密集型基准上落后。
50%待验证LFM2.5-24B-A2B 在 LiveClaw 基准测试中取得 48.09 分。
50%待验证在判断用户话语请求类型的任务中，Qwen3.6-35B-A3B准确率为92.6%，判断时间306ms。
50%待验证在'前一操作延续'类话语上，Qwen3.6-35B-A3B准确率86.3%，而4B和8B模型仅70.4%。
50%待验证该Agent默认自托管配置使用Qwen3.6-35B-A3B模型，采用4-bit量化并通过sglang部署
50%待验证开发者采用Qwen3.6-35B-A3B模型：整体拥有35B权重，处理每个词时只使用3B权重，计算成本与普通4B、8B模型相当，在自己的网关（vLLM）上运行。
50%待验证本地部署的Qwen3.6-35B-A3B模型曾抓出原本由Claude Sonnet/Opus编写代码中的真实错误，作者强调这不是基准测试而是碰巧发生
50%