Qwen3.5-2B

Fiche modèle · Alibaba Cloud / Qwen Team · qwen3.5-2b

Qwen3.5-2B is a 2 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	2 B
Paramètres actifs (session)	2.27 B
Source des paramètres actifs	actifs = total (modèle dense, config HF (Qwen/Qwen3.5-2B)) ; total : config Hugging Face (Qwen/Qwen3.5-2B)
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	2026-05-07T16:53:38.435087Z
Mis à jour le	2026-11-04T06:05:09.972643Z
Source	LLM Stats
URL	https://llm-stats.com/models/qwen3.5-2b

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	0.60
instruction_following	0.60
language	0.60
legal	0.50
long_context	0.30
math	0.50
multimodal	0.30
physics	0.50
reasoning	0.50
spatial_reasoning	0.30
structured_output	0.60
finance	0.50
general	0.50
healthcare	0.50
agents	0.50
biology	0.50
chemistry	0.40
communication	0.30
economics	0.40
tool_calling	0.50
vision	0.30

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
aa-lcr	reasoning	0.26	1.00	0.26	non	oui	2026-11-04T06:05:09.999313Z
bfcl-v4	tool_calling	0.44	1.00	0.44	non	oui	2026-11-04T06:05:10.013438Z
c-eval	general	0.73	1.00	0.73	non	oui	2026-11-04T06:05:09.985529Z
global-piqa	reasoning	0.69	1.00	0.69	non	oui	2026-11-04T06:05:10.041389Z
gpqa	reasoning	0.52	1.00	0.52	non	oui	2026-11-04T06:05:10.008559Z
ifbench	instruction_following	0.41	1.00	0.41	non	oui	2026-11-04T06:05:09.992435Z
ifeval	chat	0.79	1.00	0.79	non	oui	2026-11-04T06:05:09.989004Z
include	general	0.55	1.00	0.55	non	oui	2026-11-04T06:05:10.037913Z
longbench-v2	long_context	0.39	1.00	0.39	non	oui	2026-11-04T06:05:10.004264Z
maxife	general	0.61	1.00	0.61	non	oui	2026-11-04T06:05:10.050782Z
mmlu-pro	language	0.67	1.00	0.67	non	oui	2026-11-04T06:05:09.975874Z
mmlu-prox	language	0.52	1.00	0.52	non	oui	2026-11-04T06:05:10.031178Z
mmlu-redux	language	0.80	1.00	0.80	non	oui	2026-11-04T06:05:09.979271Z
mmmlu	language	0.63	1.00	0.63	non	oui	2026-11-04T06:05:10.021583Z
multichallenge	chat	0.34	1.00	0.34	non	oui	2026-11-04T06:05:09.995838Z
nova-63	general	0.46	1.00	0.46	non	oui	2026-11-04T06:05:10.034703Z
polymath	math	0.26	1.00	0.26	non	oui	2026-11-04T06:05:10.044527Z
supergpqa	reasoning	0.38	1.00	0.38	non	oui	2026-11-04T06:05:09.982473Z
t2-bench	agents	0.49	1.00	0.49	non	oui	2026-11-04T06:05:10.017433Z
wmt24++	language	0.46	1.00	0.46	non	oui	2026-11-04T06:05:10.047568Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
agents	192	—	-0.95	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