Qwen2.5-Coder 32B Instruct

Fiche modèle · Alibaba Cloud / Qwen Team · qwen-2.5-coder-32b-instruct

Qwen2.5-Coder is a specialized coding model trained on 5.5 trillion tokens of code data, supporting 92 programming languages with a 128K context window. It excels in code generation, completion, repair, and multi-programming tasks while maintaining strong performance in mathematics and general capabilities.

Fiches modèles

Identité

Organisation	Alibaba Cloud / Qwen Team
Pays	—
Famille	—
Type	llm
Date de sortie	2024-09-19
Licence	apache 2.0
Licence commerciale	oui
Licence open source	oui
Poids ouverts	oui
Auto-hébergement (DGX Spark)	oui — ≤ 107 Md (Q8/FP8)
Modalités	text
Fenêtre de contexte	32 768
KV cache / token (Q8)	131.1 ko/token
Paramètres totaux	32 B
Paramètres actifs (session)	32.8 B
Source des paramètres actifs	actifs = total (modèle dense, config HF (Qwen/Qwen2.5-Coder-32B-Instruct)) ; total : config Hugging Face (Qwen/Qwen2.5-Coder-32B-Instruct)
Curation des paramètres actifs	2026-11-04
Prix par session	—
Tokens / tâche (Data Players)	1.2 M
Tokens / tâche (Terminal-Bench)	83.3 M (est.)
Ratio Terminal-Bench / Data Players	69.4×
Coût / tâche (Terminal-Bench)	—
Tokens d'entraînement	5 500 000 000 000
Coupure de connaissance	—
Créé le	2026-05-07T16:53:40.927755Z
Mis à jour le	2026-11-04T06:05:15.123873Z
Source	LLM Stats
URL	https://llm-stats.com/models/qwen-2.5-coder-32b-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)

Catégorie	Score
language	0.70
legal	0.60
math	0.70
physics	0.40
reasoning	0.70
finance	0.60
general	0.70
healthcare	0.60
code	0.60

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
arc-c	reasoning	0.70	1.00	0.70	non	oui	2026-11-04T06:05:15.126909Z
bigcodebench-full	general	0.50	1.00	0.50	non	oui	2026-11-04T06:05:15.129845Z
bigcodebench-hard	general	0.27	1.00	0.27	non	oui	2026-11-04T06:05:15.132961Z
gsm8k	math	0.91	1.00	0.91	non	oui	2026-11-04T06:05:15.136120Z
hellaswag	reasoning	0.83	1.00	0.83	non	oui	2026-11-04T06:05:15.139444Z
humaneval	reasoning	0.93	1.00	0.93	non	oui	2026-11-04T06:05:15.142533Z
livecodebench	reasoning	0.31	1.00	0.31	non	oui	2026-11-04T06:05:15.145497Z
math	math	0.57	1.00	0.57	non	oui	2026-11-04T06:05:15.148673Z
mbpp	reasoning	0.90	100.00	0.90	non	oui	2026-11-04T06:05:15.151514Z
mmlu	general	0.75	1.00	0.75	non	oui	2026-11-04T06:05:15.154602Z
mmlu-pro	language	0.50	1.00	0.50	non	oui	2026-11-04T06:05:15.157454Z
mmlu-redux	language	0.78	1.00	0.78	non	oui	2026-11-04T06:05:15.160128Z
theoremqa	math	0.43	1.00	0.43	non	oui	2026-11-04T06:05:15.162881Z
truthfulqa	general	0.54	1.00	0.54	non	oui	2026-11-04T06:05:15.165695Z
winogrande	reasoning	0.81	1.00	0.81	non	oui	2026-11-04T06:05:15.168706Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
code	180	—	9.95	2	trueskill	2026-10-19	model_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