Qwen · 2025-04 · スパースMoE

Qwen3 235B A22B

Qwen3 235B A22B は Qwen が 2025-04 に公開したグループ化クエリ注意（GQA） Transformer です。94 層、隠れ次元 4096、コンテキスト長 262,144 トークン。

層スタック

注意機構 ×94 · 層数 94

同梱の config.json に基づき作図 · 94 層 / 隠れ次元 4,096 / コンテキスト 262,144。図は本サイトのオリジナルです。

グループ化クエリ注意（GQA） — 64 q-heads / 4 kv-heads. RoPE θ=5,000,000.

スパースなMixture-of-Expertsモデルで、128 個のルーティングエキスパートと top-8 ルーティングを持ち、トークンごとに約 21.7B のパラメータが活性化します。

同一開発元の前世代モデルと比較します。前世代がない場合は構造最相似モデルと比較。倍数欄 = 本モデル ÷ 比較対象。

前世代 Qwen3 0.6B との全フィールド比較

モデル	Qwen3 235B A22B	Qwen3 0.6B	倍数
model_type	`qwen3_moe`	`qwen3`	≠
architectures	`Qwen3MoeForCausalLM`	`Qwen3ForCausalLM`	≠
hidden_size	`4096`	`1024`	×4.00
num_hidden_layers	`94`	`28`	×3.36
num_attention_heads	`64`	`16`	×4.00
num_key_value_heads	`4`	`8`	×0.500
head_dim	`128`	`128`	≈1
intermediate_size	`12288`	`3072`	×4.00
hidden_act	`silu`	`silu`	＝
num_experts_per_tok	`8`	`—`
moe_intermediate_size	`1536`	`—`
rope_theta	`5000000`	`1000000`	×5.00
max_position_embeddings	`262144`	`40960`	×6.40
rms_norm_eps	`0.000001`	`0.000001`	≈1
vocab_size	`151936`	`151936`	≈1
torch_dtype	`bfloat16`	`bfloat16`	＝
attention_bias	`false`	`false`	＝
attention_dropout	`0`	`0`	＝
bos_token_id	`151643`	`151643`	≈1
decoder_sparse_step	`1`	`—`
eos_token_id	`151645`	`151645`	≈1
initializer_range	`0.02`	`0.02`	≈1
max_window_layers	`94`	`28`	×3.36
norm_topk_prob	`true`	`—`
num_experts	`128`	`—`
output_router_logits	`false`	`—`

GLM-4.6 (GLM, 2025-10) 0.999
GLM-4.5 (GLM, 2025-07) 0.999
Qwen3.8 2.4T A95B (Qwen, 2026-08) 0.991
MiniMax-Text-01 (MiniMax, 2025-01) 0.991
MiniMax-M1 (MiniMax, 2025-06) 0.991
GLM-4.5-Air (GLM, 2025-07) 0.989

類似度は 0（共通のカテゴリ特徴なし）から 1（構造プロファイルが完全に一致）の範囲です。

31 フィールド