2026年AI爆发：Qwen3.5与MiniMax M2.5混合注意力模型架构深度解析！
2026年，大模型厂商继续推出新模型。根据注意力机制（Attention）的设计差异，当前大模型的注意力范式主要分为三类：Hybrid(Linear+Full)、GQA和DSA。其中，Qwen3.5（2026年2月发布）是一款采用混合注意力路线的视觉语言模型；MiniMax M2.5（2026年2月发布）则是一款沿用GQA框架的大语言模型。本文主要介绍这两款模型的架构。
1 Qwen3.5
Qwen3.5系列模型作为原生视觉-语言模型，在结构上沿用了Qwen-Next的设计。其MoE版本采用混合注意力（Gated DeltaNet + Gated Attention）与MoE相结合，例如Qwen3.5 397B A17B；Dense版本则采用混合注意力（Gated DeltaNet + Gated Attention）与FFN相结合，例如Qwen3.5 27B。
整体特点：
Gated DeltaNet blocks与Gated Attention blocks比例为3:1
Gated Attention：
▪有一个输出门（gate用sigmoid控制），在attention输出之后、残差叠加之前进行缩放；
▪采用了QK归一化（zero-centered RMSNorm）
▪部分RoPE处理，通过参数：partial_rotary_factor控制
Gated DeltaNet，采用GDN论文形态，包含两个门控参数。
主模型输出之后采用MTP(Multi-Token Prediction)。
1.1 Qwen3.5 397B A17B
高清图地址：https://github.com/CalvinXKY/InfraTech/tree/main/models/qwen3_5
模型结构描述：
类型：带视觉编码器的因果语言模型
上下文长度：原生支持 262,144，可扩展至最多 1,010,000 个 token。
参数总量：共 397B，激活参数为 17B
隐藏层维度：4096
Token 嵌入维度：248320（已填充）
层数：60
▪隐藏层结构：15 * (3 * (Gated DeltaNet -> MoE) -> 1 * (Gated Attention -> MoE))
语言模型输出维度：248320（已填充）
MTP：采用多步训练策略
Gated DeltaNet：
- 线性注意力头数量：V 为 64，QK 为 16
- 头维度：128
Gated Attention：
- 注意力头数量：Q 为 32，KV 为 2
- 头维度：256
- 旋转位置嵌入维度：64
混合专家（MoE）
- 专家总数：512
- 激活专家数：10 个路由专家 + 1 个共享专家
- 专家中间层维度：1024
相关资料
- 整体介绍（官方博客）[1]
- 模型配置文件[2]
- Transformer模型定义[3]
1.2 Qwen3.5（Dense）
Dense版本采用混合注意力（Gated DeltaNet + Gated Attention）与FFN相结合，示例为Qwen3.5 27B。
高清图地址：https://github.com/CalvinXKY/InfraTech/tree/main/models/qwen3_5
模型结构描述
- 类型：带视觉编码器的因果语言模型
- 上下文长度：原生支持 262,144，可扩展至最多 1,010,000 个 token。
- 参数量：27B
- 隐藏层维度：5120
- Token 嵌入维度：248320（Padded）
- 层数：64
- 隐藏层结构：16 × (3 × (Gated DeltaNet → FFN) -> 1 × (Gated Attention -> FFN))
- 语言模型输出维度：248320（Padded）
- MTP：采用多步训练
Gated DeltaNet：
- 线性注意力头数量：V 为 48，QK 为 16
- 头维度：128
Gated Attention：
- 注意力头数量：Q 为 24，KV 为 4
- 头维度：256
- 旋转位置编码维度：64
前馈网络（FFN）
- 中间层维度：17408
相关资料
- 模型配置文件[4]
- Transformer模型定义[5]
- 模型卡片[6]
2 MiniMax M2.5
MiniMax-M2.5模型采用GQA + MoE结构，总参数量为229B，推理时激活的参数为10B。从M1到M2，MiniMax重新采用了Full Attention机制，M2.5的架构则与M2保持一致。支持序列长度200k。
效果：在SWE-Bench Verified、Multi-SWE-Bench和BrowseComp（含上下文管理）等评测中分别取得了80.2%、51.3%和76.3%的高分。
性能：SWE-Bench Verified评测的速度比M2.1快37%，与Claude Opus 4.6的速度相当。
2.1 整体架构
高清图地址：https://github.com/CalvinXKY/InfraTech/tree/main/models/minimax_m_2_5
架构特点
Attention模块：
▪采用partial rope计算位置编码
▪使用QK RMSNorm
▪GQA模式
MoE模块：均采用独立专家，单token仅8个专家计算
2026年AI行业最大的机会，毫无疑问就在应用层！
字节跳动已有7个团队全速布局Agent
大模型岗位暴增69%，年薪破百万！
腾讯、京东、百度开放招聘技术岗，80%与AI相关……
如今，超过60%的企业都在推进AI产品落地，而真正能交付项目的大模型应用开发工程师**，**却极度稀缺！
落地AI应用绝对不是写几个prompt，调几个API就能搞定的，企业真正需要的，是能搞定这三项核心能力的人：
✅RAG：融入外部信息，修正模型输出，给模型装靠谱大脑
✅Agent智能体：让AI自主干活，通过工具调用（Tools）环境交互，多步推理完成复杂任务。比如做智能客服等等……
✅微调：针对特定任务优化，让模型适配业务
目前，脉脉上有超过1000家企业发布大模型相关岗位，人工智能岗平均月薪7.8w！实习生日薪高达4000！远超其他行业收入水平！
技术的稀缺性，才是你「值钱」的关键！
具备AI能力的程序员，比传统开发高出不止一截！有的人早就转行AI方向，拿到百万年薪！👇🏻👇🏻
AI浪潮，正在重构程序员的核心竞争力！现在入场，仍是最佳时机！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
⭐️从大模型微调到AI Agent智能体搭建
剖析AI技术的应用场景，用实战经验落地AI技术。从GPT到最火的开源模型，让你从容面对AI技术革新！
大模型微调
掌握主流大模型（如DeepSeek、Qwen等）的微调技术，针对特定场景优化模型性能。
学习如何利用领域数据（如制造、医药、金融等）进行模型定制，提升任务准确性和效率。
RAG应用开发
- 深入理解检索增强生成（Retrieval-Augmented Generation, RAG）技术，构建高效的知识检索与生成系统。
- 应用于垂类场景（如法律文档分析、医疗诊断辅助、金融报告生成等），实现精准信息提取与内容生成。
AI Agent智能体搭建
- 学习如何设计和开发AI Agent，实现多任务协同、自主决策和复杂问题解决。
- 构建垂类场景下的智能助手（如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等）。
如果你也有以下诉求：
快速链接产品/业务团队，参与前沿项目
构建技术壁垒，从竞争者中脱颖而出
避开35岁裁员危险期，顺利拿下高薪岗
迭代技术水平，延长未来20年的新职业发展！
……
那这节课你一定要来听！
因为，留给普通程序员的时间真的不多了！
立即扫码，即可免费预约
「AI技术原理 + 实战应用 + 职业发展」
「大模型应用开发实战公开课」
👇👇
👍🏻还有靠谱的内推机会+直聘权益！！
完课后赠送：大模型应用案例集、AI商业落地白皮书