Qwen · 2026-02 · Dense · Multimodal
Qwen3.5 9B
Qwen3.5 9B est un Transformer à attention groupée (GQA) publié par Qwen en 2026-02, avec 32 couches, une dimension cachée de 4096 et une fenêtre de contexte de 262,144 tokens.
Pile de couches
Linéaire ×24 Attention ×8 · Couches 32
Faits clés
| Laboratoire | Qwen |
|---|---|
| Publication | 2026-02 |
| Paramètres | 7.9 Md |
| Contexte | 262,144 tokens |
| Attention | GQA (16:4) |
| Couches | 32 |
| Dimension cachée | 4,096 |
| Têtes d'attention | 16 |
| Vocabulaire | 248,320 |
| Encodage positionnel | learned/absolute |
| Normalisation | RMSNorm |
| Activation | silu |
| Précision | bf16 |
| Classe d'architecture | Qwen3_5ForConditionalGeneration |
Vue d'ensemble de l'architecture
Attention
attention groupée (GQA) — 16 q-heads / 4 kv-heads.
FFN / MoE
C’est un modèle dense : la totalité des 7.9Md de paramètres participe au calcul de chaque 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 397B A17B
| Modèle | 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 |
Architectures les plus proches
- 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
La similarité varie de 0 (aucune caractéristique catégorielle commune) à 1 (profils identiques).
Champs bruts du config.json
35 champs
| 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 |