Fiche modèle
Qwen3-235B-A22B-Thinking (Jul 2025)
Alibaba · poids ouverts · sorti le 25/07/2025
Date de sortie, éditeur et accès : Epoch AI, CC BY 4.0. Fiche régénérée le 07/10/2026.
Taille
235 Md
paramètres
Scores
Rang parmi les 274 modèles de l’indice ECI évalués par la même source. Un nom de benchmark mène à son explication.
| Benchmark | Score | Rang | Réglage | Source |
|---|---|---|---|---|
| Indice de capacités ECI (Epoch AI)Capacités générales | 143,9141,9–145,3 | 95 / 274 | Epoch AI, CC BY 4.0, non daté par la source, vu publié le 07/10/2026 | |
| LMArena texte, contrôle du styleConversation (préférence humaine) | 1 4001 393–1 407 | 80 / 166 | « qwen3-235b-a22b-thinking-2507 » | LMArena, CC BY 4.0, publié le 02/10/2026 |
| GPQA Diamond (Epoch AI)Sciences | 80,1 %75,0–85,1 | 80 / 186 | réglage « Qwen3-235B-A22B-Thinking-2507 » | Epoch AI, CC BY 4.0, publié le 11/12/2025 |
| FrontierMath, niveaux 1 à 3 (Epoch AI) | non évalué par Epoch AI | |||
| OTIS Mock AIME 2024-2025 (Epoch AI)Maths de concours | 86,7 %76,6–96,7 | 61 / 176 | réglage « Qwen3-235B-A22B-Thinking-2507 » | Epoch AI, CC BY 4.0, publié le 10/12/2025 |
| SimpleQA Verified (Epoch AI)Connaissances factuelles | 40,4 %37,4–43,5 | 45 / 77 | réglage « Qwen3-235B-A22B-Thinking-2507 » | Epoch AI, CC BY 4.0, publié le 27/08/2026 |
| SWE-bench Verified (Epoch AI) | non évalué par Epoch AI | |||
Sources : Epoch AI, « Capabilities & benchmarking », epoch.ai/benchmarks (CC BY 4.0) ; LMArena, leaderboard-dataset (Hugging Face), CC BY 4.0. Données adaptées : pourcentages, arrondis, meilleur réglage retenu, prix mélangé, rangs et frontière calculés ici.
Prix par fournisseur d’API
| Fournisseur | Entrée $/M | Sortie $/M | Mélangé | Clé LiteLLM |
|---|---|---|---|---|
| Fireworks AI | 0,22 $ | 0,88 $ | 0,39 $ | fireworks_ai/accounts/fireworks/models/qwen3-235b-a22b-thinking-2507 |
| DeepInfra | 0,30 $ | 2,90 $ | 0,95 $ | deepinfra/Qwen/Qwen3-235B-A22B-Thinking-2507 |
| Novita AI | 0,30 $ | 3,00 $ | 0,98 $ | novita/qwen/qwen3-235b-a22b-thinking-2507 |
$ par million de jetons, tarif catalogue sans remise, sans cache ni traitement par lots. 3 offres rapprochées. Écart entre le moins cher (Fireworks AI, 0,39 $) et le plus cher : × 2,5. Relevé du 07/10/2026 ; vérifier chez le fournisseur avant de choisir. Sources : Prix : LiteLLM (BerriAI), licence MIT, © 2023 Berri AI. Données adaptées : pourcentages, arrondis, meilleur réglage retenu, prix mélangé, rangs et frontière calculés ici.
L’héberger soi-même
- Accès aux poids
- poids libres (usage sans restriction) (Epoch AI, CC BY 4.0)
- Licence
- Apache 2.0 (carte du dépôt, déclaration de l’éditeur lue le 01/10/2026 ; lire la licence avant tout usage commercial)
- Taille
- 235 Md de paramètres (Epoch AI, CC BY 4.0 ; confiance d’Epoch : Likely ; note : « 235 billion total parameters and 22 billion activated parameters Number of Layers: 94 Number of Attention Heads (GQA): 64 for Q and 4 for KV Number of Experts: 128 Number of Activated Experts: 8 Context Length: 32,768 natively and 131,072 t »)
- Poids
- huggingface.co/Qwen/Qwen3-235B-A22B-Thinking-2507 (dépôt rapproché par la table de correspondance, existence vérifiée auprès de Hugging Face le 01/10/2026)
Mémoire nécessaire
| Format des poids | Poids seuls | Ordre de grandeur du matériel |
|---|---|---|
| BF16 (pleine précision usuelle) | 470 Go | un serveur à huit cartes de 80 Go (640 Go) |
| FP8 / 8 bits | 235 Go | un serveur à huit cartes de 80 Go (640 Go) |
| 4 bits (GGUF Q4_K_M, environ 4,8 bits par paramètre) | 141 Go | deux à quatre cartes de 80 Go, ou un Mac de 192 Go |
Calcul du Crible : 235 Md de paramètres × 2 octets (BF16), × 1 (FP8), × 0,6 environ (4 bits). Ajouter le cache de contexte, qui grandit avec la longueur des conversations et le nombre d’utilisateurs.
Outils
- vLLM (serveur, cartes graphiques) :
vllm serve Qwen/Qwen3-235B-A22B-Thinking-2507sert le dépôt Hugging Face derrière une API compatible OpenAI. Le modèle doit être pris en charge par la version installée. - llama.cpp (ordinateur, processeur ou carte graphique) : lit les poids au format GGUF, souvent publiés en 4 bits par la communauté. Chercher une version GGUF (rien ne garantit qu’elle existe ni qu’elle est fidèle), puis
llama-server -hf <dépôt GGUF>. - Ollama (le plus simple sur un ordinateur) :
ollama run hf.co/<dépôt GGUF>lance une version GGUF publiée sur Hugging Face.
Commandes d’après la documentation de chaque outil (liens ci-dessus). Les tailles, l’accès et les liens viennent des sources citées ; de Hugging Face, Le Crible ne reprend que l’adresse du dépôt et l’identifiant de licence déclaré sur sa carte. Sources : Epoch AI, « Data on AI models », epoch.ai/data/ai-models (CC BY 4.0) ; LMArena, leaderboard-dataset (Hugging Face), CC BY 4.0. Données adaptées : pourcentages, arrondis, meilleur réglage retenu, prix mélangé, rangs et frontière calculés ici.
Évolution
Aucun changement de prix relevé depuis le début de nos relevés quotidiens.