Modèle de raisonnement spécialisé d'Alibaba utilisant une chaîne de pensée étendue pour égaler OpenAI o1 en mathématiques.
Technical Specifications
- Provider
- Alibaba
- Category
- reasoning
- Release Date
- 2024-11
- Batch API Discount
- 50% off async batch
- Consumer Subscription
- Free / Self-Hosted
- Reasoning Effort Control
- Configurable (Low / Med / High)
- Structured Outputs
- No
- Output Modalities
- text
- Official Documentation
- Visit Official Docs ↗
Data Privacy, Licensing & Deployment Governance
Official Provider Release Intelligence, API Quotas & Agentic Specs
- Official API Model ID (SDK String)
- qwq-32b-instruct
- Supported SDK & API Protocol
- OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI
- Lifecycle & Deprecation Status
- Legacy Stable (Upgrade path available in Alibaba lineup)
- Production Rate Limits (RPM & TPM)
- Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud
- Long-Context Pricing Tier (>128K / >200K)
- Flat rate ($0.2/1M in) across full 33K window
- Prompt Cache Write & TTL Policy
- Cached input at $0.05/1M tokens
- Computer Use & Browser GUI Agent
- API / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop)
- MCP & Parallel Tool Calling
- Native MCP Client/Server ready · Parallel function calling
- Web Search Grounding & Code Sandbox
- Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools
- Fine-Tuning & Distillation Support
- Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory)
- Multimodal Tokenization Billing
- Text BPE (~4 chars/token)
- Weights Precision & Quantization
- BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0)
- Minimum GPU VRAM Requirement
- 20 GB VRAM (4-bit Quantized) · 69 GB VRAM (Native BF16)
- Supported Inference Engines
- vLLM, SGLang, Ollama, llama.cpp, TensorRT-LLM, HuggingFace TGI
- System Card & Safety Framework
- Open-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma)
- Enterprise Compliance (SOC2 / HIPAA / ZDR)
- 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control
QwQ 32B Preview Cost, Context, Hardware & API Integration
Pay-as-you-go API is cheaper for this volume (saves $3.50/mo vs $20 flat plan).
Break-even point: ~606 requests/day equals $20/month.
Same Monthly Workload Cost Across Popular Reference Models
Live Prompt Paste Tokenizer & Cost Counter
Paste real system instructions, JSON schemas, or code to measure BPE token counts across tokenizers.
Hybrid Prompt Routing Cascade Simulator
Route routine queries to a fast lightweight model ($0.15/1M) and escalate only complex reasoning turns to QwQ 32B Preview:
Benchmark Scores & 6-Axis Capability Radar
- SWE-bench Verified
- 54.2%
- GPQA Diamond
- 65.2%
- MMLU-Pro
- 74.8%
- HumanEval
- 94%
- Humanity's Last Exam
- 9.8%
- Terminal-Bench
- 29.5%
- SciCode
- 36.2%
- LiveCodeBench
- 58.4%
- AIME
- 79.7%
- Long-Context Reasoning
- 60.1%
- Chatbot Arena Elo
- 1312pts
Strengths
- Score remarquable de 79.7% au concours de mathématiques AIME
- Disponible sous licence ouverte pour la recherche et l'industrie
- Transparence totale des étapes intermédiaires de réflexion
- Empreinte de 32B accessible sur matériel grand public
Limitations & Trade-offs
- Contexte limité à 32K tokens
- Peut générer un raisonnement verbeux pour des requêtes simples
Editorial Assessment
Le concurrent direct à poids ouverts d'OpenAI o1 pour le raisonnement logique.
Best for: Preuves mathématiques, logique algorithmique et vérification rigoureuse
Compare QwQ 32B Preview
Frequently Asked Questions about QwQ 32B Preview
How much does the QwQ 32B Preview API cost per 1M tokens?+
QwQ 32B Preview by Alibaba is priced at $0.2 per 1M input tokens and $0.6 per 1M output tokens. With prompt caching enabled, cached input tokens cost $0.05 per 1M tokens, and asynchronous Batch API requests receive a 50% discount.
Should I use a $20/month subscription or the QwQ 32B Preview pay-as-you-go API?+
A flat $20/month consumer subscription is predictable for daily interactive chat and manual coding. However, if you are building software, running automated workflows, or sending low-to-moderate volume with prompt caching enabled, the pay-as-you-go API is typically far more cost-effective and offers higher rate limits without manual UI caps.
How many words and pages fit in QwQ 32B Preview's context window?+
QwQ 32B Preview features a 33K tokens context window, which equals approximately 24,576 English words or ~66 standard single-spaced pages in a single prompt. Its maximum output generation per turn is 8,192 tokens.
Can I run QwQ 32B Preview locally on my own GPU (Open Weights)?+
Yes, QwQ 32B Preview (32B) releases open weights that can be self-hosted locally or on private cloud GPUs using vLLM, Ollama, SGLang, or llama.cpp.
Does Alibaba train on data sent to the QwQ 32B Preview API, and is commercial use allowed?+
100% Isolated when self-hosted on private GPUs or VPC. License tier: Permissive Open-Weights (Apache 2.0 / MIT Commercial). Full commercial ownership of generated outputs. Supported deployment channels include: Self-Hosted GPU (vLLM / Ollama), Private VPC, or Managed Serverless API.
How does QwQ 32B Preview perform on coding and reasoning benchmarks?+
QwQ 32B Preview achieves a composite Intelligence Index of 47/100, scoring 54.2% on SWE-bench Verified, 65.2% on GPQA Diamond, 74.8% on MMLU-Pro, and 1312 pts on Chatbot Arena Elo.
What is QwQ 32B Preview best used for?+
QwQ 32B Preview is best suited for: Preuves mathématiques, logique algorithmique et vérification rigoureuse. Assessment: Le concurrent direct à poids ouverts d'OpenAI o1 pour le raisonnement logique.
Alibaba Family Lineage, Routing Tiers & Upgrade Path
Step down to a lighter sibling for high-volume routing or step up to Alibaba's flagship reasoning tier:
Qwen3.8 Max Preview
Qwen3.7 Plus
Qwen3.7 Max
Qwen3.6 Max Preview
Qwen3.6 Plus
Qwen3.6 Flash
AI Glossary & Architecture Concepts
View full glossary →Key machine learning concepts and benchmarks relevant to QwQ 32B Preview:
L'unité textuelle de base traitée par un modèle linguistique, représentant généralement 3 à 4 caractères ou environ 0,75 mot. Par exemple, une phrase courante est découpée en plusieurs jetons.
Une suite de tests standardisés permettant d'évaluer et de comparer objectivement les performances des modèles d'IA sur des tâches ciblées (code avec SWE-bench, mathématiques avec AIME, etc.).
Le nombre maximal de jetons qu'un modèle peut traiter simultanément (entrée et sortie comprises). Une fenêtre de 1 000 000 jetons permet d'analyser environ 750 000 mots en une seule requête.
Un modèle d'IA entraîné par apprentissage par renforcement pour allouer du temps de calcul à la réflexion logique avant d'émettre une solution, idéal pour les problèmes scientifiques et le code complexe.
Une méthode de raisonnement pas-à-pas où le modèle décompose le problème en étapes logiques intermédiaires avant de conclure, augmentant drastiquement la précision en mathématiques et programmation.
La capacité d'un LLM à déterminer quand une action externe est requise et à générer des arguments structurés pour invoquer des API, calculatrices ou bases de données avant de poursuivre.
Les scores de benchmarks, tarifs par token et limites évoluent rapidement. Vérifiez toujours les spécifications actuelles sur la documentation officielle du fournisseur.