/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3.5-4B
Опубликована
3 мар 2026

Qwen3.5-4B-Q4_K_M-GGUF

Генерация текстаТекст → текст15 профессий

jc-builds/Qwen3.5-4B-Q4_K_M-GGUF — это 4-битная квантованная версия базовой модели Qwen/Qwen3.5-4B, разработанной Alibaba Cloud.

1 001скачиваний за 30 дней1лайквеса обновлены3 мар 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Квантование Q4_K_M и упаковка в формат GGUF выполнены для запуска на устройствах пользователя, в частности на iPhone, iPad и компьютерах Mac с Apple Silicon, через llama.cpp. Модель распространяется по лицензии Apache 2.0.

Модель предназначена для генерации текста, рассуждений, программирования, следования инструкциям и использования инструментов. Она поддерживает режим reasoning с тегами <think> и ChatML-формат запросов. В README заявлены мультимодальные возможности с ранним объединением зрительных данных, однако vision encoder предоставляется отдельно. Указана поддержка 201 языка и диалекта, включая английский, китайский, японский, корейский, русский и другие языки.

Архитектура представляет собой гибрид Gated DeltaNet и полноразмерного softmax-внимания в соотношении 3:1: из 32 слоёв восемь блоков содержат по три слоя DeltaNet и одному attention-слою. Модель имеет около 4 миллиардов параметров, размер файла составляет примерно 2,6 ГБ, а нативное контекстное окно — 262 144 токена; для расширения контекста заявлена совместимость с YaRN. Гибридная архитектура рассчитана на снижение потребления памяти, что делает модель подходящей для локального и мобильного вывода. Ограничениями являются потеря точности из-за 4-битного квантования, высокие требования к оперативной памяти для длинного контекста и то, что заявленные мультимодальные функции требуют отдельного vision encoder.

Для каких профессий подходит15

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3.5-4B Q4_K_M GGUF

4-bit quantized GGUF of Qwen/Qwen3.5-4B optimized for on-device iOS inference via llama.cpp.

PropertyValue
Parameters4 billion
QuantizationQ4_K_M (4-bit, medium quality)
File Size2.6 GB
Context Window262,144 tokens (native)
ArchitectureHybrid Gated DeltaNet + Attention
LicenseApache 2.0
Languages201 languages/dialects

Key Features

  • Thinking Mode: Outputs <think>...</think> tags for chain-of-thought reasoning
  • Hybrid Architecture: 3:1 ratio of Gated DeltaNet (linear attention) to full softmax attention, enabling near-constant memory usage
  • Natively Multimodal: Trained with early vision fusion (vision encoder available separately)
  • Massive Context: 262K native, extendable to 1M+ with YaRN
  • On-Device Optimized: Designed for mobile and edge deployment

Benchmarks

MMLU-Pro: Qwen3.5-4B vs Competitors

MMLU-Pro Comparison

The 4B model scores 79.1 on MMLU-Pro, dramatically outperforming Phi-4-mini (52.8), Qwen2.5-3B (44.7), Llama-3.2-3B (39.2), and Mistral-3B (35.3).

Qwen3.5-4B vs Qwen3-30B (7.5x larger)

4B vs 30B

Despite being 7.5x smaller, the 4B model matches or beats Qwen3-30B on GPQA Diamond, IFEval, HMMT math, and tool use benchmarks.

On-Device Inference Speed

Speed Comparison

Vision Capabilities

Vision Benchmarks

Both 4B and 9B models outperform the dedicated Qwen3-VL-30B vision model on most benchmarks.

Full Benchmark Table

BenchmarkQwen3.5-4BQwen3-30BQwen3-80B
MMLU-Pro79.180.982.7
MMLU-Redux88.891.492.5
GPQA Diamond76.273.477.2
IFEval89.888.988.9
HMMT Feb 2574.063.173.7
LiveCodeBench v655.866.068.7
BFCL-V4 (Tool Use)50.342.4-
MMMU (Vision)77.6--
C-Eval85.187.489.7

Device Compatibility

DeviceRAMCompatibleSpeed
iPhone 16 Pro / Pro Max8 GBYes~30-38 tok/s
iPhone 16 / 16e8 GBYes~28-35 tok/s
iPhone 15 Pro / Pro Max8 GBYes~28-38 tok/s
iPhone 15 / 14 Pro6 GBMarginal~15-20 tok/s
iPhone 14 and older4-6 GBNot recommended-
iPad Pro (M-series)8-16 GBYes~35-45 tok/s
Mac (Apple Silicon)8+ GBYes~40-60 tok/s

Usage

With llama.cpp

# Download
huggingface-cli download jc-builds/Qwen3.5-4B-Q4_K_M-GGUF Qwen3.5-4B-Q4_K_M.gguf

# Run (with thinking mode)
./llama-cli -m Qwen3.5-4B-Q4_K_M.gguf -p "What is the sum of the first 100 prime numbers?" -ngl 99

With Ollama

ollama run qwen3.5:4b

In HaploAI (iOS)

This model is available directly in the HaploAI iOS app (v1.18+). Download it from the model selection page.

Prompt Format

Uses ChatML format:

<|im_start|>system
You are a helpful assistant.<|im_end|>
<|im_start|>user
Hello!<|im_end|>
<|im_start|>assistant

Thinking Mode

The model uses <think> tags for reasoning:

<|im_start|>assistant
<think>
Let me work through this step by step...
</think>
The answer is 42.

Architecture Details

Qwen3.5 introduces a novel hybrid Gated DeltaNet + Gated Attention architecture:

  • 3:1 ratio: 3 layers of Gated DeltaNet (linear attention) per 1 layer of full softmax attention
  • 32 total layers: 8 blocks x (3 DeltaNet + 1 Attention)
  • Near-constant memory: DeltaNet layers maintain bounded memory independent of sequence length
  • GQA: 16 query heads, 4 KV heads for attention layers
  • RoPE: theta=10,000,000 with YaRN extension to 1M+ tokens

Credits

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

llama.cpp

Нельзя запустить

GGUF-модель ждёт проверки: нужно выбрать файл кванта под доступные GPU.

Ревизия весов
816bbda

0 моделей