Qwen · 2026-02 · Dicht · Multimodal
Qwen3.5 9B
Qwen3.5 9B ist ein Grouped-Query-Attention (GQA)-Transformer, veröffentlicht von Qwen im 2026-02, mit 32 Schichten, Hidden-Größe 4096 und einem Kontextfenster von 262,144 Tokens.
Schichtstapel
Linear ×24 Attention ×8 · Schichten 32
Kernfakten
| Labor | Qwen |
|---|---|
| Veröffentlicht | 2026-02 |
| Parameter | 7.9 Mrd. |
| Kontext | 262,144 tokens |
| Attention | GQA (16:4) |
| Schichten | 32 |
| Hidden-Dim. | 4,096 |
| Attention-Köpfe | 16 |
| Vokabular | 248,320 |
| Positionscodierung | learned/absolute |
| Normierung | RMSNorm |
| Aktivierung | silu |
| Präzision | bf16 |
| Architekturklasse | Qwen3_5ForConditionalGeneration |
Architekturüberblick
Attention
Grouped-Query-Attention (GQA) — 16 q-heads / 4 kv-heads.
FFN / MoE
Es ist ein dichtes Modell: Alle 7.9 Mrd. Parameter sind an der Berechnung jedes Tokens beteiligt.
Die Konfiguration enthält 1 zusätzliche Multi-Token-Prediction-Schichten (MTP) zur Beschleunigung der Dekodierung.
Feldweiser Vergleich
Verglichen mit dem vorherigen Modell desselben Labors; fehlt dieses, mit dem strukturell nächsten Modell. Die Spalte Ratio = dieses Modell ÷ Vergleichsmodell.
Vollfeldvergleich mit dem Vorgänger Qwen3.5 397B A17B
| Modell | Qwen3.5 9B | Qwen3.5 397B A17B | Ratio |
|---|---|---|---|
| model_type | qwen3_5 | qwen3_5_moe | ≠ |
| architectures | Qwen3_5ForConditionalGeneration | Qwen3_5MoeForConditionalGeneration | ≠ |
| hidden_size | 4096 | 4096 | ≈1 |
| num_hidden_layers | 32 | 60 | ×0.533 |
| num_attention_heads | 16 | 32 | ×0.500 |
| num_key_value_heads | 4 | 2 | ×2.00 |
| head_dim | 256 | 256 | ≈1 |
| intermediate_size | 12288 | — | |
| hidden_act | silu | silu | ＝ |
| num_experts_per_tok | — | 10 | |
| moe_intermediate_size | — | 1024 | |
| max_position_embeddings | 262144 | 262144 | ≈1 |
| rms_norm_eps | 0.000001 | 0.000001 | ≈1 |
| vocab_size | 248320 | 248320 | ≈1 |
| image_token_id | 248056 | 248056 | ≈1 |
| tie_word_embeddings | false | false | ＝ |
| transformers_version | 4.57.0.dev0 | 4.57.0.dev0 | ＝ |
| video_token_id | 248057 | 248057 | ≈1 |
| vision_end_token_id | 248054 | 248054 | ≈1 |
| vision_start_token_id | 248053 | 248053 | ≈1 |
| attention_bias | false | false | ＝ |
| attention_dropout | 0 | 0 | ＝ |
| attn_output_gate | true | true | ＝ |
| dtype | bfloat16 | bfloat16 | ＝ |
| eos_token_id | 248044 | 248044 | ≈1 |
| full_attention_interval | 4 | 4 | ≈1 |
Strukturell ähnlichste Modelle
- Qwen3.5 9B Base (Qwen, 2026-02) 1.000
- Qwen3.5 27B (Qwen, 2026-02) 0.990
- Llama 2 70B (Meta, 2023-07) 0.956
- Hunyuan-TurboS 7B (Hunyuan, 2026-05) 0.894
- Llama 3.1 8B (Meta, 2024-07) 0.892
- Qwen3.6 27B (Qwen, 2026-04) 0.892
Ähnlichkeitswerte reichen von 0 (keine gemeinsamen kategorialen Merkmale) bis 1 (identische Profile).
Rohe Config-Felder
35 Felder
| architectures | Qwen3_5ForConditionalGeneration |
|---|---|
| image_token_id | 248056 |
| model_type | qwen3_5 |
| tie_word_embeddings | false |
| transformers_version | 4.57.0.dev0 |
| video_token_id | 248057 |
| vision_end_token_id | 248054 |
| vision_start_token_id | 248053 |
| attention_bias | false |
| attention_dropout | 0 |
| attn_output_gate | true |
| dtype | bfloat16 |
| eos_token_id | 248044 |
| full_attention_interval | 4 |
| head_dim | 256 |
| hidden_act | silu |
| hidden_size | 4096 |
| initializer_range | 0.02 |
| intermediate_size | 12288 |
| layer_types | linear_attention×24 + full_attention×8 |
| linear_conv_kernel_dim | 4 |
| linear_key_head_dim | 128 |
| linear_num_key_heads | 16 |
| linear_num_value_heads | 32 |
| linear_value_head_dim | 128 |
| max_position_embeddings | 262144 |
| mtp_num_hidden_layers | 1 |
| mtp_use_dedicated_embeddings | false |
| num_attention_heads | 16 |
| num_hidden_layers | 32 |
| num_key_value_heads | 4 |
| rms_norm_eps | 0.000001 |
| use_cache | true |
| vocab_size | 248320 |
| mamba_ssm_dtype | float32 |