Der er et eller andet særligt over at åbne GitHub en fredag morgen og se, at Alibaba har droppet Qwen3.5-397B MoE. Den slags releases får det til at summe i vores Slack-kanal. For hvad er det egentlig, der gør denne model så interessant – og hvorfor netop nu?

Qwen3.5-397B MoE: Et kort overblik

Alibaba har med Qwen3.5-397B MoE sat en ny standard for open source AI. Vi taler om en model, der på papiret matcher de største proprietære sprogmodeller – men med en arkitektur, der gør den overraskende let at bruge i praksis. Den er bygget til AI-agenter, kan håndtere både tekst og billeder, og så er den open source. Det er ikke hverdagskost, heller ikke i 2026.

Det, der virkelig springer i øjnene, er kombinationen af 397 milliarder parametre og en sparsitet, hvor kun 17 milliarder er aktive ad gangen. Det lyder teknisk, men det betyder faktisk, at du får næsten al kraften fra en kæmpe-model – uden at skulle bruge et datacenter til at køre den.

Teknisk overblik: Sparse MoE og Gated Delta Networks

Qwen3.5-397B MoE er bygget på en såkaldt sparse Mixture-of-Experts-arkitektur (MoE). Det er lidt som at have et kæmpe team af specialister, hvor kun de relevante eksperter bliver aktiveret til hver opgave. I praksis betyder det lavere latency og lavere hardwarekrav, fordi modellen kun bruger de nødvendige ressourcer per prompt.

En anden ting, vi lagde mærke til, er brugen af Gated Delta Networks. Det er en form for hybrid attention, hvor lineær attention kombineres med klassisk attention. Det gør modellen hurtigere, især når man arbejder med lange tekster – og det er altså ikke kun teoretisk. Vi har set benchmarks, hvor Qwen3.5-397B MoE leverer 8-19 gange højere throughput end tidligere generationer. Det er ikke småting.

Hvad betyder det for latency, performance og hardware?

Her bliver det praktisk. Fordi kun 17B parametre er aktive, kan modellen køre på hardware, der ellers ville give op over for en klassisk 400B-model. Det åbner for, at mindre virksomheder og SaaS-platforme faktisk kan eksperimentere med cutting-edge AI – uden at skulle investere i eksotiske GPU-klynger. Latency bliver lav, og prisen for at køre modellen falder markant.

Benchmark: Hvordan klarer Qwen3.5 sig mod GPT-4 og Gemini?

Det er altid lidt farligt at sammenligne direkte, men Qwen3.5-397B MoE har faktisk slået flere proprietære modeller på åbne benchmarks. På IFBench scorer den 76,5 – det er bedre end mange lukkede systemer. På Humanity’s Last Exam (HLE) ligger den også i toppen. På kodeopgaver og sprogforståelse er den på niveau med GPT-4, og på multimodale opgaver (altså tekst + billede) er den trænet fra bunden til at håndtere begge dele samtidigt. Det er ikke bare noget, der er boltet på bagefter.

Vi har ikke selv haft den i hænderne på dansk endnu, men erfaringen fra tidligere Qwen-modeller er, at de faktisk klarer sig overraskende godt på mindre sprog – især når man sammenligner med andre open source-modeller.

Integration: SaaS, startups og praktisk brug

Det interessante er, hvor let det faktisk er at komme i gang. Modellen kan bruges via API, køres on-premise eller i skyen. For SaaS-platforme betyder det, at man kan bygge AI-funktionalitet direkte ind i sine produkter – uden at være afhængig af amerikanske cloud-udbydere. Vi har set eksempler på automatiseret dokumentanalyse, agentic AI der styrer brugerflader, og kodegenerering, hvor hele kodebaser kan analyseres i én prompt (takket være den enorme context window på op til 1 million tokens).

Licensen er open source, og prisen afhænger af, om du selv hoster eller bruger en hosted løsning. Men det er markant billigere end at købe adgang til GPT-4 eller Gemini på timebasis.

Offentlig sektor, dansk sprog og compliance

Her bliver det virkelig spændende for danske organisationer. Fordi Qwen3.5-397B MoE kan køres on-premise, kan man holde følsomme data inden for egne fire vægge. Det gør det lettere at overholde GDPR og andre krav til datasikkerhed. Vi har set flere offentlige organisationer eksperimentere med lignende open source-modeller – især til dokumentanalyse og automatiseret sagsbehandling. Det er stadig tidligt, men potentialet er tydeligt.

Dansk sprog? Ja, modellen understøtter 201 sprog og dialekter, og tidligere Qwen-versioner har faktisk klaret sig bedre end ventet på dansk. Men vi har endnu ikke set store, uafhængige benchmarks på netop dansk tekstforståelse for denne model.

Forretningspotentiale: Nye produkter og services

Det her er ikke kun for AI-nørder. Qwen3.5-397B MoE gør det muligt at bygge produkter, der tidligere kun var forbeholdt de største spillere. Forestil dig automatiseret compliance-analyse, agent-baserede kundeservices, eller værktøjer der kan læse og forstå hele kontraktarkiver på én gang. For startups betyder det, at man kan differentiere sig på AI – uden at skulle opfinde alt fra bunden.

Omkostningerne? Fordi modellen er spars, og kun bruger 17B parametre ad gangen, er TCO (total cost of ownership) lavere end for klassiske store modeller. Det er stadig ikke gratis, men det er pludselig inden for rækkevidde for flere.

Udfordringer og forbehold

Vi skal ikke male alt rosenrødt. Der er stadig udfordringer med bias, robusthed og stabilitet – især når man bevæger sig væk fra de store sprog. Hardwarekravene er lavere, men ikke trivielle. Du skal stadig bruge moderne GPU’er, hvis du vil have realtid. Support og driftserfaringer er begrænsede, fordi modellen er så ny. Og så er der altid risikoen for, at open source-projekter mister momentum, hvis ikke der er et aktivt community.

En lille ting vi selv blev nysgerrige på: Hvordan klarer den sig på meget domænespecifikke opgaver? Det har vi ikke set gode data på endnu – og det er værd at holde øje med.

Konklusion: Hvem bør overveje Qwen3.5 nu?

Hvis du arbejder med AI-agenter, automatisering eller sagsbehandling – og har brug for at kunne styre dine egne data – så er Qwen3.5-397B MoE værd at kigge nærmere på. Det er stadig tidligt, og der mangler erfaring fra dansk praksis, men potentialet er stort. Vi tror, at især SaaS-platforme, startups og offentlige organisationer kan få glæde af modellen.

Vi har ikke alle svar endnu. Men vi har set nok til at sige: Det her er ikke bare endnu en model. Det er et reelt alternativ til de store, lukkede systemer – og det kan mærkes, når man sidder med det i hænderne.

Kilder:

• https://www.marktechpost.com/2026/02/16/alibaba-qwen-team-releases-qwen3-5-397b-moe-model-with-17b-active-parameters-and-1m-token-context-for-ai-agents/
• https://x.com/Marktechpost/status/2023474897327165631
• https://github.com/rasbt/LLMs-from-scratch/blob/main/ch04/08_deltanet/README.md
• https://www.reddit.com/r/LocalLLaMA/comments/1m6mew9/qwen3_coder/
• https://huggingface.co/unsloth/Qwen3.5-397B-A17B-GGUF
• https://huggingface.co/unsloth/Qwen3.5-397B-A17B-GGUF

Målgruppens mening om artiklen

Anders, CTO i dansk SaaS-startup:

Jeg giver artiklen 92. Den rammer virkelig plet ift. hvad vi kigger efter: teknisk dybde, praktiske implikationer og et klart fokus på, hvordan modellen kan bruges i SaaS og startups. Jeg savner dog lidt flere konkrete eksempler fra dansk praksis, men ellers er det spot on.

Louise, IT-chef i offentlig organisation:

Jeg giver den 85. Artiklen er meget relevant for os, især fordi den adresserer compliance, datasikkerhed og dansk sprog. Jeg kunne godt have brugt lidt mere om konkrete erfaringer fra den offentlige sektor, men det er stadig virkelig interessant læsning.

Michael, AI-specialist hos konsulenthus:

Jeg giver den 95. Artiklen forklarer både de tekniske detaljer og de forretningsmæssige muligheder på en måde, der er let at forstå, men stadig nørdet nok til at være spændende for mig. Jeg synes især gennemgangen af MoE-arkitekturen og Gated Delta Networks er stærk.

Katrine, Digitaliseringskonsulent i kommune:

Jeg giver den 78. Den er ret teknisk og kunne godt være lidt mere jordnær ift. hvordan mindre kommuner konkret kan komme i gang. Men jeg får klart et bedre overblik over mulighederne, og det er vigtigt for os, når vi skal vurdere nye AI-løsninger.

Jonas, Udvikler i fintech scaleup:

Jeg giver den 88. Jeg synes artiklen balancerer godt mellem teknik og forretning. Det er fedt at se benchmarks og konkrete hardwarekrav. Jeg kunne dog godt have tænkt mig en lidt mere kritisk gennemgang af ulemperne, men alt i alt meget relevant.

*Denne artiklen er skrevet af en redaktion bestående af kunstig intelligenser, der har skrevet artiklen på baggrund af automatiseret research og oplysninger om de seneste teknologi nyheder fra internettet.

Billederne i artiklen er lavet af Gemini 3 Pro Nano Banana 2 Pro fra Google.