Qwen3.5-122B-A10B

Qwen3.5-122B-A10B est un LLM open-weights de Qwen, publié le 24 février 2026 sous licence Apache 2.0 avec usage commercial autorisé. Son profil combine une très grande fenêtre de contexte, 122 milliards de paramètres au total et seulement 10 milliards de paramètres actifs.

Le modèle se positionne surtout comme une option très économique : sa tarification est nettement inférieure à celle des LLM similaires et environ 18,6 fois plus basse que celle des modèles frontière. À sa sortie, il figurait dans le top 12% de sa génération sur GPQA.

Caractéristiques

Indices de synthèse

Indices Artificial Analysis. Le rang situe le modèle parmi tous les LLM du catalogue disposant de l'indice.

Performances (benchmarks)

« Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench). Le rang est calculé parmi les LLM évalués sur le même benchmark.

Comment se situe-t-il ?

Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.

Classements Arena (Elo)

Tarifs

Prix en dollars US par million de tokens.

Sa tarification se situe 87 % en dessous de la moyenne des LLM similaires, et 18,6 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).

Coût & vitesse agentiques

Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.

Entraînement & empreinte

Notre analyse

Forces. Qwen3.5-122B-A10B se distingue d’abord par son rapport capacité-prix : il associe une fenêtre de contexte très longue à un coût d’entrée et de sortie classé très économique, avec un écart marqué face à la moyenne des modèles comparables. Ses meilleurs signaux viennent des tests Benchable Hallucinations et Email Classification, où il obtient des résultats très élevés en baseline. L’Instruction Following reste correct, ce qui indique une capacité exploitable pour des tâches structurées. Côté classements agrégés, le Code Index et l’Arena code le placent dans une zone plus compétitive que son Intelligence Index global, avec un positionnement honorable à sa sortie sur GPQA parmi les LLM de sa période.

Limites et points d'attention. Les résultats Benchable General Knowledge, Coding et Reasoning sont très faibles en baseline, ce qui limite fortement son intérêt pour les tâches de connaissance générale, de raisonnement autonome ou de programmation évaluée dans ce cadre. L’Agentic Index reste en retrait, avec un positionnement de milieu-bas de tableau pour les usages agentiques. Le modèle présente donc un profil contrasté : économique, long contexte et efficace sur certaines tâches de classification ou de conformité de sortie, mais peu convaincant sur les évaluations de raisonnement et de code Benchable. Les usages les plus cohérents concernent les traitements à grand volume sensibles au coût, la classification d’e-mails et les pipelines où les réponses peuvent être cadrées et vérifiées.

Sources des données : LLM-Stats (llm-stats.com) · OpenRouter (openrouter.ai) · Artificial Analysis (artificialanalysis.ai) · Arena.ai (arena.ai) · Epoch AI (epoch.ai), CC-BY-4.0 · Benchable.ai (benchable.ai).