Qwen3.5 9B vs Qwen3.5 35B-A3B
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
Qwen3.5 9B von Alibaba und Qwen3.5 35B-A3B von Alibaba gehören zu den führenden KI-Modellen. Qwen3.5 9B bietet ein Kontextfenster von 262.1K Tokens bei API-Preisen von $0.00/$0.00 pro 1M Tokens, während Qwen3.5 35B-A3B 262.1K Tokens Kontext zu $0.00/$0.00 pro 1M Tokens bereitstellt. Hier finden Sie den vollständigen Benchmark-, Latenz- und Kostenvergleich.
Beliebige Modelle wechseln & vergleichen
Select any AI models from our verified benchmark database to generate live side-by-side matrices.
Qwen3.5 9B
Open-Weights-BasismodellQwen3.5 9B von Alibaba ist ein KI-Modell für Self-Hosting im eigenen Rechenzentrum, Fine-Tuning und volle Datensouveränität mit 262K Kontextfenster, 165 Token/s Durchsatz, einem Intelligenz-Index von 70/100 und kostenlosem Open-Weights-Zuga
$0.00 / 1M
$0.00 / 1M
262.1K tokens
N/A
Qwen3.5 35B-A3B
Nativ Multimodale KIQwen3.5 35B-A3B von Alibaba ist ein KI-Modell für nativ multimodale Verarbeitung von Text und Bild sowie visuelle Dokumentenanalyse mit 262K Kontextfenster, 125 Token/s Durchsatz, einem Intelligenz-Index von 77/100 und kostenlosem Open-Weig
$0.00 / 1M
$0.00 / 1M
262.1K tokens
N/A
Wichtigste Unterschiede auf einen Blick
- Both models cost the same under this workload — choose on capability, not price.
- Qwen3.5 9B is faster at 165 tok/s vs 125 tok/s.
| Feature | Qwen3.5 9B | Qwen3.5 35B-A3B |
|---|---|---|
Intelligence Index Composite reasoning & knowledge score (0-100) | 70 | 77 |
Provider | Alibaba | Alibaba |
Input Price Cost per million input tokens | $0.00 / 1M | $0.00 / 1M |
Output Price Cost per million output tokens | $0.00 / 1M | $0.00 / 1M |
Blended Price Weighted 7:2:1 cache:input:output per 1M | $0.00 / 1M | $0.00 / 1M |
Context Window Maximum input + output tokens | 262.1K tokens~393 A4 pages of text | 262.1K tokens~393 A4 pages of text |
Max Output Tokens Per single request | 8K | 8K |
Throughput Speed Tokens generated per second | 165 tok/s | 125 tok/s |
SWE-bench Verified Real-world software engineering | N/A | N/A |
GPQA Diamond Graduate-level reasoning | N/A | 59% |
Wer gewinnt in welcher Disziplin?
At-a-glance decision frameworkEvaluations ongoing
Geprüfte Benchmark-Ergebnisse im Vergleich
Official evaluation metrics verified by independent third-party research labs.
Challenging questions created by domain experts to test complex PhD-level reasoning.
Hardened reasoning and academic knowledge benchmark with reduced lucky-guess probability.
Crowdsourced human preference evaluation based on blind, head-to-head model battles.
Tokens emitted per second during active generation streaming.
Latenz & Antwortzeit
Time to first token (TTFT) and estimated end-to-end response time for a typical 500-token response.
Interaktiver Token-Kosten-Simulator
Adjust sliders to calculate projected monthly cloud API spending with prompt caching discounts.
Qwen3.5 9B · Strengths & Key Advantages
- 262K Kontextfenster und bis zu 8K maximale Output-Token (MMLU-Pro 68% · Arena Elo 1230)
- Hohe Generierungsgeschwindigkeit von 165 Token/Sekunde bei nur 220 ms Erstlatenz (TTFT)
- Offene Modellgewichte (9B) für lokales Self-Hosting und Fine-Tuning über vLLM, SGLang oder Ollama
Considerations & Trade-offs
- Erfordert dedizierte GPU-Hardware mit ausreichend VRAM für den lokalen Betrieb in voller Präzision
- Bei extrem komplexen mehrstufigen Forschungsfragen bieten schwere Reasoning-Spezialmodelle noch tiefere Analysen
Qwen3.5 35B-A3B · Strengths & Key Advantages
- 262K Kontextfenster und bis zu 8K maximale Output-Token (GPQA Diamond 59% · MMLU-Pro 76.5%)
- Hohe Generierungsgeschwindigkeit von 125 Token/Sekunde bei nur 340 ms Erstlatenz (TTFT)
- Offene Modellgewichte (35B total (3B MoE)) für lokales Self-Hosting und Fine-Tuning über vLLM, SGLang oder Ollama
Considerations & Trade-offs
- Erfordert dedizierte GPU-Hardware mit ausreichend VRAM für den lokalen Betrieb in voller Präzision
- Bei extrem komplexen mehrstufigen Forschungsfragen bieten schwere Reasoning-Spezialmodelle noch tiefere Analysen
Token Use & Task Economics
Estimated cost and token consumption to complete one representative agentic task.
| Metric | Qwen3.5 9B | Qwen3.5 35B-A3B |
|---|---|---|
Cost per Task Estimated USD to finish one task | $0.00 | $0.00 |
Output Tokens / Task Tokens generated per task | 10K | 14K |
Reasoning Tokens / Task Thinking tokens burned per task | 0K | 0K |
Technische Spezifikationen
Architecture, release timeline, capabilities, and modalities.
| Feature | Qwen3.5 9B | Qwen3.5 35B-A3B |
|---|---|---|
| Official API Model ID (SDK) | qwen3-5-9b-instruct | qwen3-5-35b-a3b-instruct |
| API Protocol | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI | OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI |
| Release Date | 2026-02 | 2026-02 |
| Knowledge Cutoff | December 2025 | December 2025 |
| Architecture | Compact Dense Autoregressive Transformer | Lightweight Multimodal MoE Transformer |
| Parameters | 9B | 35B total (3B active MoE) |
| Enterprise Rate Limits (RPM / TPM) | Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud | Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud |
| Long-Context Tier (>128K/200K) | Free across full context window (only KV-cache VRAM scales) | Free across full context window (only KV-cache VRAM scales) |
| Prompt Cache Policy & TTL | Automatic prefix KV-caching in vLLM / SGLang (0 cost) | Automatic prefix KV-caching in vLLM / SGLang (0 cost) |
| Computer Use / GUI Agent | API / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop) | Supported (Screen coordinate grounding, browser & desktop GUI action loops) |
| MCP & Parallel Tool Calling | Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema | Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema |
| Web Search Grounding & Sandbox | Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools | Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools |
| Official Fine-Tuning Support | Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory) | Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory) |
| Multimodal Token Billing | Text BPE (~4 chars/token) | Text BPE (~4 chars/token) · Vision (~258–765 tokens per image tile) |
| Quantization & Min GPU VRAM | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 6 GB VRAM (4-bit Quantized) · 19 GB VRAM (Native BF16) | BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0) · 22 GB VRAM (4-bit Quantized) · 75 GB VRAM (Native BF16) |
| Safety & Frontier Classification | Open-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma) | Open-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma) |
| Enterprise Compliance (ZDR/HIPAA/SOC2) | 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control | 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control |
| Input Modalities | text | text, vision |
| Output Modalities | text | text |
Qwen3.5 9B vs Qwen3.5 35B-A3B: Schnelle Antworten (FAQ)
Which is more intelligent, Qwen3.5 9B or Qwen3.5 35B-A3B?
Qwen3.5 35B-A3B is more intelligent. It scores 77 compared with 70 on the composite Intelligence Index.
Which model is faster?
Qwen3.5 9B is faster, generating 165 tokens per second compared with 125 tokens per second.
Which model has lower latency?
Qwen3.5 9B has lower latency, with a time to first token of 0.22s compared with 0.34s.
Fazit
Sowohl Qwen3.5 9B (Optimal für Self-Hosting im eigenen Rechenzentrum, Fine-Tuning und volle Datensouveränität, Enterprise-RAG-Systeme und skalierbare API-Pipelines.) als auch Qwen3.5 35B-A3B (Optimal für nativ multimodale Verarbeitung von Text und Bild sowie visuelle Dokumentenanalyse, Enterprise-RAG-Systeme und skalierbare API-Pipelines.) überzeugen im Produktionseinsatz: Qwen3.5 35B-A3B führt bei komplexem Reasoning und Coding, Qwen3.5 9B liefert den höheren Token-Durchsatz und Qwen3.5 9B ist die kosteneffizienteste Wahl für große API-Workloads.
Häufig gestellte Fragen (FAQ)
Welches Modell ist besser für Coding und Reasoning – Qwen3.5 9B oder Qwen3.5 35B-A3B?+
Im Gesamt-Intelligenzindex und bei Software-Benchmarks liegt Qwen3.5 35B-A3B vorn. Prüfen Sie oben die SWE-bench- und GPQA-Werte für Ihren Anwendungsfall.
Wie unterscheiden sich die API-Preise von Qwen3.5 9B und Qwen3.5 35B-A3B?+
Qwen3.5 9B kostet $0.00 / $0.00 pro 1M Input-/Output-Tokens, Qwen3.5 35B-A3B liegt bei $0.00 / $0.00. Beim gewichteten Gesamtpreis ist Qwen3.5 9B günstiger.
Welches Modell hat das größere Kontextfenster und die höhere Geschwindigkeit?+
Qwen3.5 9B bietet 262.1K Tokens Kontext gegenüber 262.1K Tokens bei Qwen3.5 35B-A3B. Bei der Generierungsgeschwindigkeit liegt Qwen3.5 9B vorn.
Understand key metrics like context window, token pricing, reasoning mode, and SWE-bench scores in our comprehensive AI glossary.
Related reading
- DeepSeek Chat vs. Qwen3.5 9B: Benchmarks, API-Preise & Geschwindigkeit im Vergleich (2026)Vergleich
- Qwen3.5 35B-A3B vs. DeepSeek Chat: Benchmarks, API-Preise & Geschwindigkeit im Vergleich (2026)Vergleich
- Qwen3.5 35B-A3B vs. Qwen3.5 27B: Benchmarks, API-Preise & Geschwindigkeit im Vergleich (2026)Vergleich
- Aion-3.0 vs. Aion-Mini: Benchmarks, API-Preise & Geschwindigkeit im Vergleich (2026)Vergleich
- Aion-3.0 vs. Gemini 3.6 Flash: Benchmarks, API-Preise & Geschwindigkeit im Vergleich (2026)Vergleich
- Aion-Mini vs. Laguna XS 2.1: Benchmarks, API-Preise & Geschwindigkeit im Vergleich (2026)Vergleich
Benchmark scores, token prices, and rate limits evolve rapidly as AI labs release model updates. Always verify current specifications and pricing on the official provider documentation.
Offizielle Quellen: Offizielle API-Dokumentation von Alibaba und Alibaba, Systemkarten und unabhängige Benchmark-Auswertungen (2026).