通义千问发布的 Qwen3.5 小型模型系列，通过架构革新实现了小参数下的高性能。这些模型不仅在多项基准测试中表现出色，其原生多模态能力和超长上下文支持，为边缘部署和轻量级应用开辟了新可能，改变了小模型是“大模型阉割版”的传统认知。
智能速览
Qwen3.5 小型模型采用 Gated Delta Networks 新架构，大幅降低推理成本。
模型通过早期融合实现原生多模态，训练效率接近纯文本的 100%。
9B 模型支持原生 26 万 token 上下文，并可扩展至百万级别。
Qwen3.5-9B 在多项基准测试中性能超越了一些 80B 参数的大模型。
系列模型覆盖 201 种语言，并提供 Base 与 Instruct 两种版本。
精华内容
Qwen3.5 小型模型系列的突破并非偶然，其背后是架构、训练方法与工程优化的多重革新。这些技术如何协同作用，最终实现性能的跃升？
架构革新
新模型的核心是 Gated Delta Networks 架构。以 9B 模型为例，其注意力层每 4 层中有 3 层采用线性注意力，仅 1 层使用传统全注意力。这种设计极大降低了推理时的内存占用和计算量，尤其在处理长上下文任务时优势显著，为轻量化部署奠定了基础。
原生多模态
区别于后挂视觉编码器的方案，Qwen3.5 小模型在预训练阶段就进行了多模态 token 的早期融合。官方数据显示，这种多模态训练效率接近纯文本训练的 100%，这是一个非常高的效率指标，意味着模型能以更低的成本高效地学习和理解图文信息。
超长上下文
9B 模型原生支持 262,144 tokens 的上下文长度，并且可以扩展至惊人的 1,010,000 tokens。这意味着一个仅有 90 亿参数的模型就能处理百万 token 级别的输入，这对于需要处理大量文档、代码或长对话的场景具有极高的应用价值。
性能越级
根据官方提供的基准测试数据，Qwen3.5-9B 在多个评测项目上的表现已经超越了部分 80B 甚至更大参数规模的模型。这证明了通过架构优化，小模型完全有能力实现性能上的“越级挑战”，打破了参数规模决定一切的传统观念。
场景选择
不同尺寸的模型有明确的定位。0.8B/2B 模型面向边缘设备和端侧部署；4B 模型在 Agent 和多模态能力上表现突出；而 9B 模型则是紧凑型强者，适合 Mac 用户、显存有限或需要轻量化部署的场景。若显存充裕，27B 模型仍是更稳妥的选择。
Qwen3.5 小型模型系列的发布，标志着高效能与轻量化部署的新时代。它们不仅为研究者和开发者提供了强大的工具，也让端侧 AI 的应用前景更加广阔。随着 Ollama 和 GGUF 等量化版本的到来，其强大的能力将被更多人所接触和使用。
