Qwen2.5 7B Instruct

Fiche modèle · Alibaba Cloud / Qwen Team · qwen-2.5-7b-instruct

Qwen2.5-7B-Instruct is an instruction-tuned 7B parameter language model that excels at following instructions, generating long texts (over 8K tokens), understanding structured data, and generating structured outputs like JSON. The model features enhanced capabilities in mathematics, coding, and multilingual support across 29+ languages including Chinese, English, French, Spanish, and more.

Fiches modèles

Identité

OrganisationAlibaba Cloud / Qwen Team
Pays—
Famille—
Typellm
Date de sortie2024-09-19
Licenceapache 2.0
Licence commercialeoui
Licence open sourceoui
Poids ouvertsoui
Auto-hébergement (DGX Spark)oui — ≤ 107 Md (Q8/FP8)
Modalitéstext
Fenêtre de contexte32 768
KV cache / token (Q8)28.7 ko/token
Paramètres totaux7.61 B
Paramètres actifs (session)7.62 B
Source des paramètres actifsactifs = total (modèle dense, config HF (Qwen/Qwen2.5-7B-Instruct)) ; total : config Hugging Face (Qwen/Qwen2.5-7B-Instruct)
Curation des paramètres actifs2026-11-04
Prix par session—
Tokens / tâche (Data Players)1.2 M
Tokens / tâche (Terminal-Bench)83.3 M (est.)
Ratio Terminal-Bench / Data Players69.4×
Coût / tâche (Terminal-Bench)—
Tokens d'entraînement18 000 000 000 000
Coupure de connaissance—
Créé le2026-05-07T16:53:35.444248Z
Mis à jour le2026-11-04T06:05:05.071730Z
SourceLLM Stats
URLhttps://llm-stats.com/models/qwen-2.5-7b-instruct
Tokens/tâche

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : partiel — auto-hébergement DGX Spark (≤ 107 Md).

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Aucune donnée.

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

CatégorieScore
chat0.70
instruction_following0.70
language0.70
legal0.60
math0.70
physics0.40
reasoning0.60
roleplay0.80
structured_output0.70
finance0.60
general0.70
healthcare0.60
biology0.40
chemistry0.40
code0.60
communication0.90
creativity0.70
writing0.60

Scores par benchmark

BenchmarkCatégorieScoreMaxNormalisé (API)VérifiéAuto-déclaréDaté du
alignbenchgeneral0.731.000.73nonoui2026-11-04T06:05:05.079000Z
arena-hardgeneral0.521.000.52nonoui2026-11-04T06:05:05.084393Z
gpqareasoning0.361.000.36nonoui2026-11-04T06:05:05.090402Z
gsm8kmath0.921.000.92nonoui2026-11-04T06:05:05.094179Z
humanevalreasoning0.851.000.85nonoui2026-11-04T06:05:05.099578Z
ifevalchat0.711.000.71nonoui2026-11-04T06:05:05.104336Z
livebenchmath0.361.000.36nonoui2026-11-04T06:05:05.108714Z
livecodebenchreasoning0.291.000.29nonoui2026-11-04T06:05:05.115056Z
mathmath0.761.000.76nonoui2026-11-04T06:05:05.118673Z
mbppreasoning0.79100.000.79nonoui2026-11-04T06:05:05.124174Z
mmlu-prolanguage0.561.000.56nonoui2026-11-04T06:05:05.129826Z
mmlu-reduxlanguage0.751.000.75nonoui2026-11-04T06:05:05.136097Z
mt-benchchat0.88100.000.88nonoui2026-11-04T06:05:05.145218Z
multipl-egeneral0.701.000.70nonoui2026-11-04T06:05:05.153137Z

Classements

CatégorieRangScoreNote conservatriceBenchmarks évaluésMéthodeDaté duProvenance
code232—3.062trueskill2026-10-19model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04