Qwen3-235B: o modelo que a Gonka atendia anteriormente

Qwen3-235B-A22B-Instruct-2507-FP8 — é uma Large Language Model (LLM) da família Qwen3, desenvolvida pela equipe Qwen na Alibaba Cloud. O nome completo se desdobra assim: Qwen3 — terceira geração da série, 235B — 235 bilhões de parâmetros no total, A22B — 22 bilhões de parâmetros ativos por solicitação, Instruct — versão treinada para seguir instruções, 2507 — lançamento em julho de 2025, FP8 — quantização de 8 bits para otimização de memória.

A característica arquitetônica principal é MoE (Mixture of Experts). Ao contrário dos modelos “densos” (GPT-5.5, Claude Sonnet 4.6), onde cada token passa por todos os parâmetros, o modelo MoE ativa para cada solicitação apenas um subconjunto de “especialistas” — blocos especializados da rede neural. No caso do Qwen3-235B, dos 235 bilhões de parâmetros, apenas 22 bilhões são ativados por token — menos de 10%. Isso confere uma qualidade de nível de modelos com 200B+ parâmetros, com custos computacionais de um modelo de 22B.

Na prática, isso significa: o modelo é mais inteligente do que se poderia esperar de sua velocidade. Ele processa solicitações significativamente mais rápido que modelos densos de qualidade comparável, exigindo muito menos VRAM para inferência. É por isso que o MoE se tornou a arquitetura dominante para os maiores modelos de 2025-2026.

A janela de contexto do Qwen3-235B é de 131.072 tokens (~100.000 palavras) — suficiente para analisar livros inteiros, bases de código ou longos documentos jurídicos em uma única solicitação. O modelo suporta 119 idiomas, incluindo russo, inglês, chinês, árabe, hindi e dezenas de outros — o que o torna um dos modelos mais multilíngues do mercado.

O Qwen3-235B compete com os maiores modelos fechados e abertos. Veja uma comparação das principais características:

O Qwen3-235B entrega um nível de qualidade comparável ao do GPT-5.5 e do Claude Sonnet 4.6 na maioria dos benchmarks e, por ser um modelo MoE de pesos abertos, sai muitas vezes mais barato do que os equivalentes proprietários: a arquitetura MoE ativa apenas parte dos parâmetros a cada requisição e reduz drasticamente o custo computacional. Esse mesmo princípio de inference descentralizado e barato é o que a rede Gonka aplica hoje aos seus modelos em operação — MiniMax M2.7, DeepSeek V4 Flash e GLM-5.3 Flash, disponíveis pelo JoinGonka Gateway a $0.0062 por 1M de tokens (centenas ou milhares de vezes mais barato que o GPT-5.5 e o Claude).

Nos benchmarks MMLU-Pro, HumanEval, MATH-500 e GSM8K, o modelo figura entre os três melhores modelos open-source, perdendo apenas para o DeepSeek-R1 em tarefas de raciocínio matemático (reasoning). Em geração de código, tradução e seguimento de instruções, o Qwen3-235B supera consistentemente o Llama 4 Maverick e se equipara ao Claude Sonnet 4.6.

Quando o Qwen3-235B era o modelo principal da rede, ele rodava na rede Gonka de forma distribuída — por meio do protocolo DiLoCo, adaptado para inference. O modelo completo em formato FP8 exige cerca de 640 GB de memória de vídeo (VRAM), algo impossível de acomodar em uma única GPU — nem mesmo uma H100 80GB ou uma H200 141GB dá conta. Por isso, o modelo era dividido por camadas (tensor parallelism + pipeline parallelism) entre várias ML-nodes.

Na prática, o Qwen3-235B rodava em um cluster de 8—16 GPU-nodes, cada uma com no mínimo 40 GB de VRAM. Os Transfer Agents roteavam a requisição para o cluster certo, o vLLM em cada node processava seu fragmento do modelo, os resultados eram agregados e devolvidos ao usuário. Todo o processo levava centenas de milissegundos — o usuário nem percebia que sua requisição havia sido processada por uma dezena de GPUs em diferentes pontos do planeta. Esse mesmo princípio de inference distribuído a rede aplica também agora — já com os modelos em operação.

Um detalhe técnico importante: a Gonka usa o vLLM como motor de serving. O vLLM é um projeto de código aberto que entrega geração de texto de alto desempenho por meio do PagedAttention — um algoritmo que otimiza o uso da memória de vídeo ao processar em paralelo um grande volume de requisições. Isso permite que cada node processe muitas requisições em paralelo sem perder qualidade.

O modelo oferece suporte a tool calling nativo — chamada de funções e ferramentas diretamente na resposta do modelo. Esse recurso foi adicionado à Gonka pelo PR #767 com um limiar de 0.958 para identificar chamadas de ferramentas. No Qwen3-235B, isso permitia que desenvolvedores criassem agentes de IA que interagem com APIs externas, bancos de dados e ferramentas — tudo em uma única requisição. O suporte a tool calling também se manteve nos modelos em operação na rede.

Atualmente, a rede Gonka conta com 1,293 GPU (H100, H200, B300 e outras). Se antes essa capacidade era destinada ao Qwen3-235B, hoje ela atende os modelos em operação na rede — MiniMax M2.7, DeepSeek V4 Flash e GLM-5.3 Flash.

Resposta direta: pela rede Gonka, não dá mais. O Qwen3-235B foi retirado da rede, então chamá-lo pelo identificador qwen3-235b-a22b através do nosso Gateway já não é possível. Como o modelo é aberto (Apache 2.0), você ainda pode rodá-lo por conta própria ou acessá-lo por meio de hospedagens externas de modelos open-weights — por exemplo, via OpenRouter (aproximadamente $0.071/$0.100 por 1M de tokens).

Mas se o que você quer é aquele inference descentralizado barato que traz as pessoas para a Gonka, ele não foi embora: agora simplesmente roda com os modelos ativos da rede. Pelo JoinGonka API Gateway estão disponíveis o MiniMax M2.7, o DeepSeek V4 Flash e o GLM-5.3 Flash com uma API compatível com OpenAI: qualquer código escrito para a OpenAI funciona sem alterações — basta trocar a URL, a API key e o nome do modelo.

Exemplo de requisição a um modelo ativo:

curl https://gate.joingonka.ai/api/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "MiniMaxAI/MiniMax-M2.7",
    "messages": [{"role": "user", "content": "Explain the MoE architecture"}]
  }'

Custo: $0.0062 por 1 milhão de tokens — é cerca de 810 vezes mais barato que o GPT-5.5 ($5.00/1M) e cerca de 490 vezes mais barato que o Claude Sonnet 4.6 ($3.00/1M). Ao se registrar, você ganha 3M tokens grátis para testar.

O Gateway é compatível com as ferramentas de desenvolvimento mais populares: o Quick Start descreve a conexão via Python, Node.js e curl. Também há suporte a integrações com IDEs — Cursor, Continue, Cline, Aider e Claude Code — e a frameworks para agentes de IA: LangChain, n8n, LibreChat, Open WebUI.

Para começar rápido:

1. Cadastre-se em gate.joingonka.ai (conecte uma carteira ou crie uma nova)
2. Pegue sua API key no Dashboard
3. Troque api.openai.com por gate.joingonka.ai/api no seu código
4. Informe o modelo ativo da rede — MiniMaxAI/MiniMax-M2.7, deepseek-ai/DeepSeek-V4-Flash-0731 ou zai-org/GLM-5.3-Flash (a lista completa está no endpoint GET /v1/models)

O inference descentralizado com nível enterprise a preço de projeto hobby continua aqui — o Qwen3-235B apenas deu lugar a modelos mais novos da rede. Aquela mesma combinação de preço e qualidade agora funciona com o MiniMax M2.7, o DeepSeek V4 Flash e o GLM-5.3 Flash.