/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3.5-9B
Опубликована
3 мар 2026

Qwen3.5-9B-Q4_K_M-GGUF

Генерация текстаТекст → текст15 профессий

Qwen3.5-9B Q4_K_M GGUF — это 4-битная квантованная версия языково-мультимодальной модели Qwen3.5-9B, первоначально разработанной Alibaba Cloud.

6 620скачиваний за 30 дней14лайковвеса обновлены8 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

Конвертацию в формат GGUF выполнила Unsloth, а квантование и оптимизацию для локального запуска на устройствах Apple — jc-builds. Модель распространяется под лицензией Apache 2.0.

Модель предназначена для генерации текста, рассуждений, программирования, использования инструментов, анализа изображений и работы с документами и видео. Она поддерживает режим рассуждений с блоками <think>...</think>, ChatML-формат запросов и ориентирована прежде всего на приватный автономный запуск через llama.cpp, включая iPhone, iPad и Mac с Apple Silicon. Для iOS она доступна в приложении HaploAI.

Архитектура сочетает Gated DeltaNet и полное Gated Attention в соотношении 3:1 и включает 32 слоя, скрытое измерение 4096, GQA с 16 query-heads и 4 KV-heads, а также FFN с промежуточным размером 12288. Модель содержит около 9 млрд параметров, занимает примерно 5,3 ГБ, поддерживает контекст до 262 144 токенов с возможностью расширения свыше 1 млн через YaRN и заявляет поддержку 201 языка и диалекта, включая русский, английский, китайский, японский, корейский и европейские языки. Нативная мультимодальность основана на раннем слиянии визуальных данных.

К сильным сторонам относятся высокая заявленная эффективность для модели такого размера, большой контекст, мультимодальность, широкий языковой охват и возможность локального использования без передачи данных в облако. Ограничения включают значительные требования к памяти: для комфортной работы рекомендуется устройство с минимум 8 ГБ RAM, а на старых iPhone с 6 ГБ модель не рекомендуется. Приведённые результаты бенчмарков и скорости зависят от реализации, устройства и настроек запуска.

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

Qwen3.5-9B Q4_K_M GGUF

4-bit quantized GGUF of Qwen/Qwen3.5-9B optimized for on-device iOS inference via llama.cpp. The most capable model you can run on an iPhone.

PropertyValue
Parameters9 billion
QuantizationQ4_K_M (4-bit, medium quality)
File Size5.3 GB
Context Window262,144 tokens (native)
ArchitectureHybrid Gated DeltaNet + Attention
LicenseApache 2.0
Languages201 languages/dialects

Running It

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

Key Features

  • Best-in-Class On-Device AI: Matches or beats models 9-13x its size
  • Thinking Mode: <think>...</think> chain-of-thought reasoning
  • Hybrid Architecture: Gated DeltaNet + Attention for efficient, high-quality inference
  • Natively Multimodal: Trained with early vision fusion
  • Massive Context: 262K native, extendable to 1M+ with YaRN

Benchmarks

Qwen3.5-9B vs Models 9-13x Larger

9B vs Large Models

The 9B model beats Qwen3-80B on GPQA Diamond (81.7 vs 77.2), IFEval (91.5 vs 88.9), and HMMT math (83.2 vs 73.7). It also outperforms GPT-OSS-120B on MMLU-Pro (82.5 vs 80.8) and GPQA Diamond (81.7 vs 80.1).

MMLU-Pro: Size Class Comparison

ModelParamsMMLU-Pro
Qwen3.5-9B9B82.5
Qwen3-30B30B80.9
GPT-OSS-120B120B80.8
Qwen3.5-4B4B79.1
Gemma2-9B9B~55*
Phi-4-mini3.8B52.8

On-Device Inference Speed

Speed Comparison

Vision Capabilities

Vision Benchmarks

The 9B model outperforms the dedicated Qwen3-VL-30B (3x its size) on MMMU, MMMU-Pro, MathVision, OmniDocBench, and VideoMME.

Full Benchmark Table

BenchmarkQwen3.5-9BQwen3-30BQwen3-80BGPT-OSS-120B
MMLU-Pro82.580.982.780.8
MMLU-Redux91.191.492.591.0
GPQA Diamond81.773.477.280.1
IFEval91.588.988.9-
HMMT Feb 2583.263.173.776.7
HMMT Nov 2582.973.881.281.8
LiveCodeBench v665.666.068.782.7
BFCL-V4 (Tool Use)66.142.4--
C-Eval88.287.489.776.2
SuperGPQA58.256.860.854.6

Vision Benchmarks

BenchmarkQwen3.5-9BQwen3-VL-30BGPT-5-Nano
MMMU78.476.075.8
MMMU-Pro70.163.057.2
MathVision78.965.762.2
OmniDocBench87.786.855.9
VideoMME84.579.971.7
OSWorld41.830.6-

Device Compatibility

DeviceRAMCompatibleSpeed
iPhone 16 Pro Max8 GBYes~22-28 tok/s
iPhone 16 Pro8 GBYes~20-25 tok/s
iPhone 16 / 15 Pro8 GBPossible (tight)~15-20 tok/s
iPhone 15 and older6 GBNot recommended-
iPad Pro (M-series)8-16 GBYes~25-40 tok/s
Mac (Apple Silicon)16+ GBYes~30-50 tok/s

Note: The 9B model at 5.3 GB requires devices with 8 GB+ RAM. For older devices, use the Qwen3.5-4B instead.

Usage

With llama.cpp

# Download
huggingface-cli download jc-builds/Qwen3.5-9B-Q4_K_M-GGUF Qwen3.5-9B-Q4_K_M.gguf

# Run (with thinking mode)
./llama-cli -m Qwen3.5-9B-Q4_K_M.gguf -p "Prove that there are infinitely many primes." -ngl 99

With Ollama

ollama run qwen3.5:9b

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

<|im_start|>assistant
<think>
Let me reason through this carefully...
First, assume there are finitely many primes p1, p2, ..., pn.
Consider N = p1 * p2 * ... * pn + 1.
N is not divisible by any pi, so either N is prime or has a prime factor not in our list.
This contradicts our assumption.
</think>
There are infinitely many primes. Here is Euclid's classic proof...

Architecture Details

Qwen3.5 introduces a 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)
  • Hidden dimension: 4,096
  • Near-constant memory: DeltaNet layers maintain bounded memory
  • GQA: 16 query heads, 4 KV heads for attention layers
  • FFN intermediate: 12,288
  • RoPE: theta=10,000,000 with YaRN extension

Why Qwen3.5-9B?

This model represents a paradigm shift in on-device AI:

  1. 9B params that beat 80B: On GPQA Diamond, IFEval, and math benchmarks
  2. Hybrid attention is the future: DeltaNet layers provide near-constant memory, enabling huge context on mobile
  3. Natively multimodal: No separate vision encoder needed for basic image understanding
  4. 201 languages: Broadest language support in its class
  5. Apache 2.0: Fully open, commercially usable

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
633bbf7

0 моделей