Qwen3.5-4B

Fiche modèle · Alibaba Cloud / Qwen Team · qwen3.5-4b

Qwen3.5-4B is a 4 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 delivers strong performance for its size across knowledge, reasoning, coding, and multilingual tasks.

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)	65.5 ko/token
Paramètres totaux	4 B
Paramètres actifs (session)	4.66 B
Source des paramètres actifs	actifs = total (modèle dense, config HF (Qwen/Qwen3.5-4B)) ; total : config Hugging Face (Qwen/Qwen3.5-4B)
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	2026-05-07T16:53:38.853108Z
Mis à jour le	2026-11-04T06:05:10.577626Z
Source	LLM Stats
URL	https://llm-stats.com/models/qwen3.5-4b

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	0.70
instruction_following	0.70
language	0.80
legal	0.70
long_context	0.50
math	0.70
multimodal	0.50
physics	0.70
reasoning	0.60
spatial_reasoning	0.50
structured_output	0.70
finance	0.70
general	0.60
healthcare	0.70
agents	0.40
biology	0.80
chemistry	0.60
communication	0.50
economics	0.50
tool_calling	0.70
vision	0.50

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
aa-lcr	reasoning	0.57	1.00	0.57	non	oui	2026-11-04T06:05:10.607197Z
bfcl-v4	tool_calling	0.50	1.00	0.50	non	oui	2026-11-04T06:05:10.635098Z
c-eval	general	0.85	1.00	0.85	non	oui	2026-11-04T06:05:10.593304Z
deep-planning	agents	0.18	1.00	0.18	non	oui	2026-11-04T06:05:10.649029Z
global-piqa	reasoning	0.79	1.00	0.79	non	oui	2026-11-04T06:05:10.669049Z
gpqa	reasoning	0.76	1.00	0.76	non	oui	2026-11-04T06:05:10.614227Z
hmmt-2025	math	0.74	1.00	0.74	non	oui	2026-11-04T06:05:10.622530Z
hmmt25	math	0.77	1.00	0.77	non	oui	2026-11-04T06:05:10.628660Z
ifbench	instruction_following	0.59	1.00	0.59	non	oui	2026-11-04T06:05:10.600415Z
ifeval	chat	0.90	1.00	0.90	non	oui	2026-11-04T06:05:10.596596Z
include	general	0.71	1.00	0.71	non	oui	2026-11-04T06:05:10.662072Z
livecodebench-v6	reasoning	0.56	1.00	0.56	non	oui	2026-11-04T06:05:10.617623Z
longbench-v2	long_context	0.50	1.00	0.50	non	oui	2026-11-04T06:05:10.610576Z
maxife	general	0.78	1.00	0.78	non	oui	2026-11-04T06:05:10.680333Z
mmlu-pro	language	0.79	1.00	0.79	non	oui	2026-11-04T06:05:10.581965Z
mmlu-prox	language	0.71	1.00	0.71	non	oui	2026-11-04T06:05:10.655289Z
mmlu-redux	language	0.89	1.00	0.89	non	oui	2026-11-04T06:05:10.586205Z
mmmlu	language	0.76	1.00	0.76	non	oui	2026-11-04T06:05:10.652310Z
multichallenge	chat	0.49	1.00	0.49	non	oui	2026-11-04T06:05:10.604072Z
nova-63	general	0.54	1.00	0.54	non	oui	2026-11-04T06:05:10.658401Z
polymath	math	0.51	1.00	0.51	non	oui	2026-11-04T06:05:10.673197Z
supergpqa	reasoning	0.53	1.00	0.53	non	oui	2026-11-04T06:05:10.590217Z
t2-bench	agents	0.80	1.00	0.80	non	oui	2026-11-04T06:05:10.640681Z
vita-bench	agents	0.22	1.00	0.22	non	oui	2026-11-04T06:05:10.644907Z
wmt24++	language	0.67	1.00	0.67	non	oui	2026-11-04T06:05:10.676913Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
chat	48	0.70	20.34	2	trueskill	2026-11-04T08:08:43.789169Z	rankings
agents	175	—	3.52	4	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