Qwen3.5-0.8B

Fiche modèle · Alibaba Cloud / Qwen Team · qwen3.5-0.8b

Qwen3.5-0.8B is a 0.8 billion parameter vision-language model using Gated DeltaNet hybrid architecture with a 3:1 ratio of linear attention to full softmax attention. It supports 262K native context length and features both thinking and non-thinking modes.

Fiches modèles

Identité

Organisation	Alibaba Cloud / Qwen Team
Pays	—
Famille	—
Type	llm
Date de sortie	2026-03-02
Licence	apache 2.0
Licence commerciale	oui
Licence open source	oui
Poids ouverts	oui
Auto-hébergement (DGX Spark)	oui — ≤ 107 Md (Q8/FP8)
Modalités	—
Fenêtre de contexte	262 144
KV cache / token (Q8)	24.6 ko/token
Paramètres totaux	800 M
Paramètres actifs (session)	873 M
Source des paramètres actifs	actifs = total (modèle dense, config HF (Qwen/Qwen3.5-0.8B)) ; total : config Hugging Face (Qwen/Qwen3.5-0.8B)
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	—
Coupure de connaissance	—
Créé le	2026-05-07T16:53:37.884180Z
Mis à jour le	2026-11-04T06:05:08.594321Z
Source	LLM Stats
URL	https://llm-stats.com/models/qwen3.5-0.8b

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
chat	0.30
instruction_following	0.30
language	0.40
legal	0.30
long_context	0.20
math	0.40
multimodal	0.10
physics	0.30
reasoning	0.30
spatial_reasoning	0.10
structured_output	0.40
finance	0.30
general	0.30
healthcare	0.30
agents	0.20
biology	0.10
chemistry	0.20
communication	0.20
economics	0.20
tool_calling	0.20
vision	0.10

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
aa-lcr	reasoning	0.05	1.00	0.05	non	oui	2026-11-04T06:05:08.625061Z
bfcl-v4	tool_calling	0.25	1.00	0.25	non	oui	2026-11-04T06:05:08.637129Z
c-eval	general	0.51	1.00	0.51	non	oui	2026-11-04T06:05:08.607015Z
global-piqa	reasoning	0.59	1.00	0.59	non	oui	2026-11-04T06:05:08.663064Z
gpqa	reasoning	0.12	1.00	0.12	non	oui	2026-11-04T06:05:08.633870Z
ifbench	instruction_following	0.21	1.00	0.21	non	oui	2026-11-04T06:05:08.613595Z
ifeval	chat	0.44	1.00	0.44	non	oui	2026-11-04T06:05:08.610592Z
include	general	0.41	1.00	0.41	non	oui	2026-11-04T06:05:08.659133Z
longbench-v2	long_context	0.26	1.00	0.26	non	oui	2026-11-04T06:05:08.628863Z
maxife	general	0.39	1.00	0.39	non	oui	2026-11-04T06:05:08.682938Z
mmlu-pro	language	0.42	1.00	0.42	non	oui	2026-11-04T06:05:08.597489Z
mmlu-prox	language	0.35	1.00	0.35	non	oui	2026-11-04T06:05:08.647086Z
mmlu-redux	language	0.59	1.00	0.59	non	oui	2026-11-04T06:05:08.600876Z
mmmlu	language	0.44	1.00	0.44	non	oui	2026-11-04T06:05:08.643918Z
multichallenge	chat	0.19	1.00	0.19	non	oui	2026-11-04T06:05:08.621896Z
nova-63	general	0.42	1.00	0.42	non	oui	2026-11-04T06:05:08.652099Z
polymath	math	0.08	1.00	0.08	non	oui	2026-11-04T06:05:08.668356Z
supergpqa	reasoning	0.21	1.00	0.21	non	oui	2026-11-04T06:05:08.603988Z
t2-bench	agents	0.12	1.00	0.12	non	oui	2026-11-04T06:05:08.640948Z
wmt24++	language	0.27	1.00	0.27	non	oui	2026-11-04T06:05:08.673167Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
agents	200	—	-9.70	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