五度妙笔
API商城
数据库刚刚！Qwen 35B 大模型终于免费开放了！
上周五下班，工作群里突然有人发了条消息：
「讯飞星辰MaaS把Qwen3.6-35B的API调用权益免费开放了，新老用户都能领。」
我当时的第一反应是——又是营销？
结果打开链接一看，是真的。
Qwen3.6-35B-A3B，35B参数量、128K超长上下文、MoE架构，正经的顶级开源模型，API调用权益，直接免费送。
新老用户都能领，有效期到6月底。
我当场领了，然后花了整整一天测试各种场景。这篇文章就是我的实测记录，代码可以直接复制用，改一下Key就能跑。
一、先说这次免费开放的是什么模型
这次讯飞星辰MaaS平台免费开放的是两个模型的API调用权益：
Qwen3.6-35B-A3B 和 Qwen3.5-35B-A3B。
两个都是阿里开源的Qwen3系列，MoE架构——总参数35B，激活参数只有3B。
简单说人话：知识储量是35B级别的，推理的时候只调动3B的算力，又快又省，效果还不打折。
Qwen3.6是最新版，在代码生成、智能体编排、长链路推理上有明显提升；Qwen3.5是经过充分验证的稳定版，很多开发者已经跑在生产环境里了。
正常调用这个量级的模型，成本可不低。现在平台直接送权益，有效期到6月底，先领先用。
两个模型我都测了，下面分场景来说。
平台入口：
https://maas.xfyun.cn/modelSquare?ch=MaaS-jgkol-c2L7l
二、怎么领？五分钟搞定
不绕弯子，直接上流程。
第一步： 打开上方链接，进入讯飞星辰 MaaS 平台模型集市，就能看到 Qwen3.6-35B-A3B 或 Qwen3.5-35B-A3B，均有「限时免费」的标签；
第二步： 登录账号（没有的话注册一个，流程很快），按提示完成免费权益领取，新老用户均可参与；
第三步： 以 Qwen3.6-35B-A3B 为例，点击API调用，输入模型服务API名称，输入新创建的授权的应用，点击确定；
第四步： 在推理服务中就能看到刚刚创建的 Qwen3.6-35B-A3B 的 APIKey 了。
第五步： 对照下方场景案例，把 API Key 填进去，直接跑起来。
整个流程五分钟以内，不用填表、不用审核，领完就能调用。
API 拿到手，真正的玩法才开始。
下面我按不同人群和场景，分别给几个跑通过的实际例子。代码可以直接复制用，改一下API Key就行。
三、实测场景
一、自动给代码加注释
测完数据处理，我想试试代码相关的能力。
我手上有一段写得比较潦草的快速排序，没有任何注释，直接扔给它：
「你是一位资深Python开发工程师，请为以下代码添加详细的中文注释，包括函数说明（docstring格式）和关键逻辑的行内注释。直接返回加完注释的完整代码，不要其他说明。」
import requestsapi_key = "你的APIKey"url = "https://maas-api.cn-huabei-1.xf-yun.com/v2/chat/completions"def add_comments(code: str) -> str: headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } data = { "model": "xopqwen36v35b", "messages": [ { "role": "user", "content": f"你是一位资深Python开发工程师，请为以下代码添加详细的中文注释，包括函数说明（docstring格式）和关键逻辑的行内注释。直接返回加完注释的完整代码，不要其他说明。\n\n{code}" } ], "max_tokens": 4096 } response = requests.post(url, headers=headers, json=data) return response.json()["choices"][0]["message"]["content"]sample_code = """def quick_sort(arr, low, high): if low < high: pi = partition(arr, low, high) quick_sort(arr, low, pi - 1) quick_sort(arr, pi + 1, high)def partition(arr, low, high): pivot = arr[high] i = low - 1 for j in range(low, high): if arr[j] <= pivot: i += 1 arr[i], arr[j] = arr[j], arr[i] arr[i + 1], arr[high] = arr[high], arr[i + 1] return i + 1"""print(add_comments(sample_code))
输出结果让我挺满意的：docstring格式标准，行内注释不多也不少，该解释的地方解释，不废话的地方不废话。
更重要的是，它没有改动任何原始逻辑，只加了注释，这个「只做被要求的事情」的能力，很多小模型其实做不好。
二、搭一个会多轮对话的客服机器人
这个场景我测得最仔细，因为有实际的落地需求。
我们有一份产品FAQ文档，想让模型基于这个文档回答用户问题，同时支持多轮对话——也就是说用户问完第一个问题，第二个问题还能承接上下文。
我先把知识库内容塞进系统提示词，然后每一轮对话都把历史记录带上：
import requestsapi_key = "你的APIKey"url = "https://maas-api.cn-huabei-1.xf-yun.com/v2/chat/completions"def add_comments(code: str) -> str: headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } data = { "model": "xopqwen36v35b", "messages": [ { "role": "user", "content": f"你是一位资深Python开发工程师，请为以下代码添加详细的中文注释，包括函数说明（docstring格式）和关键逻辑的行内注释。直接返回加完注释的完整代码，不要其他说明。\n\n{code}" } ], "max_tokens": 4096 } response = requests.post(url, headers=headers, json=data) return response.json()["choices"][0]["message"]["content"]sample_code = """def quick_sort(arr, low, high): if low < high: pi = partition(arr, low, high) quick_sort(arr, low, pi - 1) quick_sort(arr, pi + 1, high)def partition(arr, low, high): pivot = arr[high] i = low - 1 for j in range(low, high): if arr[j] <= pivot: i += 1 arr[i], arr[j] = arr[j], arr[i] arr[i + 1], arr[high] = arr[high], arr[i + 1] return i + 1"""print(add_comments(sample_code))
测了三轮对话，上下文衔接非常自然，第三个问题里它记住了用户是「黄金会员」这个信息，回答时自动带入了对应的权益说明，没有要求用户重复说一遍。
这套逻辑可以直接套进飞书机器人或者企微客服，不用买任何商业系统。
三、接进Dify，替换掉原来的付费模型节点
这个测试我觉得是最有实际价值的一个。
我自己搭了一套基于Dify的内容生产工作流，之前用的是GPT-4o，每跑一次复杂任务花费不少，心疼得很。
把讯飞的API接进去，换成Qwen3.6-35B-A3B之后，直接跑了一遍原来的工作流。
配置方法很简单：
在Dify的模型供应商配置里，选择「OpenAI Compatible」兼容模式，填入：
API地址：https://maas-api.cn-huabei-1.xf-yun.com/v2/chat/completions
API Key： 你申请的Key
模型名称： xopqwen36v35b
保存，直接切换。
我原来工作流的核心节点是：抓取文章 → 提炼要点 → 改写成适合公众号的风格 → 生成标题备选。
换完模型之后跑了5篇，整体输出质量和之前用GPT-4o的版本比，差距很小，有几篇的标题备选我觉得甚至更贴合中文阅读习惯。
成本从原来每篇大概0.3-0.5元，变成了现在的零。
在免费权益有效期内，这套工作流我可以敞开跑。
四、多篇文献交叉分析
这个场景是帮做科研的朋友测的。
他的日常需求是：读完十几篇文献，要提炼各自的核心观点，再对比不同研究之间的异同，写进综述里。
最烦的不是写，是读和整理这个过程。
Qwen3.6支持128K的上下文窗口，塞进去几篇文献的关键段落完全没问题。我写了个脚本，把多篇文献内容拼接，让它做交叉分析：
import requestsapi_key = "你的APIKey"url = "https://maas-api.cn-huabei-1.xf-yun.com/v2/chat/completions"def analyze_papers(papers: list, question: str) -> str: headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } combined = "" for i, paper in enumerate(papers, 1): combined += f"\n\n【文献{i}】\n{paper}" prompt = f"""你是一位专业的学术研究助手，请围绕以下研究问题，对提供的{len(papers)}篇文献进行交叉分析：研究问题：{question}文献内容：{combined}请输出：1. 各文献核心观点摘要2. 文献间的共识与分歧3. 研究方法的异同对比4. 综合启示与研究空白以学术综述风格呈现，逻辑清晰，有据可查。""" data = { "model": "xopqwen36v35b", "messages": [{"role": "user", "content": prompt}], "max_tokens": 4096 } response = requests.post(url, headers=headers, json=data) return response.json()["choices"][0]["message"]["content"]papers = [ "文献1正文内容粘贴在这里...", "文献2正文内容粘贴在这里...", "文献3正文内容粘贴在这里..."]result = analyze_papers(papers, "大语言模型在教育场景中的实际应用效果与局限性")print(result)
我朋友拿了三篇他在读的论文测了一下，他的原话是：「初步的对比框架出来得很快，角度也抓得比较准，能帮我省掉不少梳理时间，剩下的自己做判断就行。」
做综述的前期整理工作，用这个能省一大半时间。
测了一天，说几句实话
测下来，我有几个比较直观的感受：
结构化输出很稳定。 我在多个场景里要求它只输出JSON，没有一次多嘴加解释或者格式跑偏，这点对写自动化脚本的人来说非常重要；
长上下文表现不错。 128K窗口，塞进去几篇文献或者长对话记录，没有出现明显的「忘了前面说过什么」的情况；
中文语感自然。 这个是我自己很看重的一点，生成的中文没有那种很明显的翻译腔，日常内容创作场景用起来顺手；
和OpenAI接口完全兼容。 这意味着你原来任何接了OpenAI格式的项目，几乎零改动就能切换过来。
四、顺便说一下Token Plan
如果你不是个人开发者，而是对稳定性和并发有明确要求的企业团队，平台还上线了Token Plan。
付费订阅，按需配置，企业级资源保障，服务优先级和稳定性都更高，主打对SLA有要求的生产环境场景。
个人和学生先薅免费权益，跑通了再说；需要保障线上稳定性的团队，可以了解一下这个选项。
写在最后
说实话，现在能白嫖35B级别模型API的机会真的不多。
这波权益有效期只到6月底，而且添加讯飞工作人员可领取高并发权益！
不管你现在有没有明确的项目落地，都建议先把权益领了、API Key配好，后面想用随时拉起来。
从内容创作到代码开发，从科研辅助到团队基础设施，上面这四个场景覆盖了绝大多数人的日常需求。
挑一个离你最近的场景，把代码复制过去，改一下Key，直接跑。
与其在评测帖子里看别人用，不如自己动手试一次。
👉 免费领取入口（6月底截止，新老用户均可）：
https://maas.xfyun.cn/modelSquare?ch=MaaS-jgkol-c2L7l
今天的分享到此结束，有问题评论区见，我们下期再见！
