/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-9B
Библиотека
transformers
Опубликована
7 июл 2026

Qwen3.5-9B-AWQ

Изображение и текст → текст15 профессий

Qwen3.5-9B-AWQ — это 4-битная AWQ-квантизованная версия мультимодальной модели Qwen3.5-9B, разработанной командой Qwen группы Alibaba.

1 667скачиваний за 30 дней4лайкавеса обновлены23 июл 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

Модель предназначена для генерации текста по текстовым запросам, а также для обработки интерleaved-входов с изображениями и текстом; базовая модель также поддерживает видео. Предусмотрен режим рассуждений, включённый по умолчанию.

Модель содержит около 9 млрд параметров и использует гибридную архитектуру Gated DeltaNet и sparse MoE с vision encoder. Нативная длина контекста составляет 262 144 токена, с возможностью расширения посредством RoPE scaling. Заявлена поддержка 201 языка и диалекта. Квантизация выполнена по схеме W4A16: веса линейных слоёв языковой модели представлены в 4-битном формате, а активации — в 16-битном; vision tower, router gates и lm_head сохранены в более высокой точности.

Главное преимущество версии AWQ — уменьшенные требования к дисковому пространству и VRAM при сохранении возможностей базовой vision-language модели, что делает её подходящей для запуска на одной потребительской GPU. Для инференса требуется совместимая GPU с поддержкой INT4 Marlin и свежая версия vLLM с поддержкой архитектуры Qwen3_5ForConditionalGeneration; работоспособность проверена на NVIDIA Blackwell. Ограничения включают зависимость от поддержки compressed-tensors в используемом стеке и потенциальные потери точности, характерные для квантизации, хотя vision tower намеренно не квантизован для сохранения качества понимания изображений.

Модель распространяется по лицензии Apache 2.0, унаследованной от базовой модели Qwen3.5-9B.

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-AWQ (W4A16)

This is an AWQ W4A16 (4-bit weight) quantized version of Qwen/Qwen3.5-9B, packaged in the compressed-tensors format for efficient inference with vLLM.

The quantization reduces the on-disk and VRAM footprint while preserving the base model's vision-language capabilities, making it well-suited to a single consumer GPU (e.g. an RTX 5090 / Blackwell, sm_120).

About the base model

Qwen3.5-9B is a multimodal vision-language model from the Qwen team (Alibaba Group). It accepts interleaved image + text (and video) input and generates text, with a "thinking" reasoning mode enabled by default.

Base modelQwen/Qwen3.5-9B
Parameters~9B
ModalityImage-Text-to-Text (vision-language)
ArchitectureHybrid Gated DeltaNet + sparse MoE, with a vision encoder
Context length262,144 tokens native (extensible with RoPE scaling)
Languages201 languages and dialects
LicenseApache 2.0

For full details on capabilities, benchmarks, and prompt formatting, see the base model card.

Quantization details

MethodAWQ (Activation-aware Weight Quantization)
SchemeW4A16 (4-bit weights, 16-bit activations)
Formatcompressed-tensors (pack-quantized)
Quantized modulesLinear layers of the language model
Kept in higher precisionVision tower, router gates, and lm_head

The vision tower is intentionally left unquantized to preserve image understanding quality.

Usage

Serve with vLLM (OpenAI-compatible API)

docker run --rm --gpus all -p 8000:8000 \
  -v "$PWD:/models" \
  vllm/vllm-openai:latest \
  --model /models/Qwen3.5-9B-AWQ \
  --served-model-name Qwen3.5-9B-AWQ \
  --quantization compressed-tensors \
  --dtype float16 \
  --max-model-len 32768

Or directly from the Hub:

docker run --rm --gpus all -p 8000:8000 \
  vllm/vllm-openai:latest \
  --model sanskar003/Qwen3.5-9B-AWQ \
  --quantization compressed-tensors \
  --dtype float16

Query it (text)

curl -s http://localhost:8000/v1/chat/completions \
  -H 'Content-Type: application/json' -d '{
    "model": "Qwen3.5-9B-AWQ",
    "messages": [{"role": "user", "content": "Give me three uses for an RTX 5090."}]
  }'

Query it (image + text)

curl -s http://localhost:8000/v1/chat/completions \
  -H 'Content-Type: application/json' -d '{
    "model": "Qwen3.5-9B-AWQ",
    "messages": [{"role": "user", "content": [
      {"type": "text", "text": "Describe this image."},
      {"type": "image_url", "image_url": {"url": "http://images.cocodataset.org/train2017/000000231895.jpg"}}
    ]}]
  }'

Requirements

  • A GPU with INT4 Marlin kernel support (vLLM selects it automatically for compressed-tensors checkpoints). Verified on NVIDIA Blackwell (sm_120).
  • A recent vLLM build that supports the Qwen3_5ForConditionalGeneration architecture.

License

Released under Apache 2.0, inherited from the base model Qwen/Qwen3.5-9B. Please review and comply with the base model's license terms.

Citation

Please cite the original Qwen work — see the base model card for citation details.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Готовая квантизация поддерживается только для текстовых LLM (vLLM).

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
acf12fa

0 моделей