Qwen · 2026-02 · MoE épars · Multimodal
Qwen3.5 35B A3B
Qwen3.5 35B A3B est un Transformer à attention groupée (GQA) publié par Qwen en 2026-02, avec 40 couches, une dimension cachée de 2048 et une fenêtre de contexte de 262,144 tokens.
Pile de couches
Faits clés
| Laboratoire | Qwen |
|---|---|
| Publication | 2026-02 |
| Paramètres | 33.9 Md |
| Actifs | 2.7 Md |
| Contexte | 262,144 tokens |
| Attention | GQA (16:2) |
| Couches | 40 |
| Dimension cachée | 2,048 |
| Têtes d'attention | 16 |
| Vocabulaire | 248,320 |
| Encodage positionnel | learned/absolute |
| Normalisation | RMSNorm |
| Activation | silu |
| Précision | bf16 |
| Classe d'architecture | Qwen3_5MoeForConditionalGeneration |
Vue d'ensemble de l'architecture
Attention
attention groupée (GQA) — 16 q-heads / 2 kv-heads.
FFN / MoE
C’est un mélange d’experts épars : 256 experts routés avec routage top-8 ; environ 2.7Md de paramètres sont actifs par token.
La configuration embarque 1 couches supplémentaires de prédiction multi-tokens (MTP) servant à accélérer le décodage.
Comparaison champ à champ
Comparé au modèle précédent du même labo ; à défaut, au modèle structurellement le plus proche. La colonne ratio = ce modèle ÷ le modèle comparé.
Comparaison complète avec le prédécesseur Qwen3.5 27B
| Modèle | Qwen3.5 35B A3B | Qwen3.5 27B | Ratio |
|---|---|---|---|
| model_type | qwen3_5_moe | qwen3_5 | ≠ |
| architectures | Qwen3_5MoeForConditionalGeneration | Qwen3_5ForConditionalGeneration | ≠ |
| hidden_size | 2048 | 5120 | ×0.400 |
| num_hidden_layers | 40 | 64 | ×0.625 |
| num_attention_heads | 16 | 24 | ×0.667 |
| num_key_value_heads | 2 | 4 | ×0.500 |
| head_dim | 256 | 256 | ≈1 |
| intermediate_size | — | 17408 | |
| hidden_act | silu | silu | ＝ |
| num_experts_per_tok | 8 | — | |
| moe_intermediate_size | 512 | — | |
| 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 |
Architectures les plus proches
- Qwen3.5 122B A10B (Qwen, 2026-02) 0.998
- Qwen3.5 397B A17B (Qwen, 2026-02) 0.991
- Hunyuan 3 Preview (Hunyuan, 2026-04) 0.986
- Hunyuan 3 Preview Base (Hunyuan, 2026-04) 0.986
- Hunyuan 3 (Hunyuan, 2026-07) 0.986
- Qwen3-Next 80B A3B (Qwen, 2025-09) 0.925
La similarité varie de 0 (aucune caractéristique catégorielle commune) à 1 (profils identiques).
Champs bruts du config.json
39 champs
| architectures | Qwen3_5MoeForConditionalGeneration |
|---|---|
| image_token_id | 248056 |
| model_type | qwen3_5_moe |
| 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 | 2048 |
| initializer_range | 0.02 |
| layer_types | linear_attention×30 + full_attention×10 |
| 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 |
| moe_intermediate_size | 512 |
| mtp_num_hidden_layers | 1 |
| mtp_use_dedicated_embeddings | false |
| num_attention_heads | 16 |
| num_experts | 256 |
| num_experts_per_tok | 8 |
| num_hidden_layers | 40 |
| num_key_value_heads | 2 |
| rms_norm_eps | 0.000001 |
| router_aux_loss_coef | 0.001 |
| shared_expert_intermediate_size | 512 |
| use_cache | true |
| vocab_size | 248320 |
| mamba_ssm_dtype | float32 |