Qwen3.5 9B vs Qwen3.5 35B-A3B
Benchmarks, API Token Pricing, Context Window & Speed Comparison
Related topics (12)
Qwen3.5 9B da Alibaba e Qwen3.5 35B-A3B da Alibaba são dois modelos de IA de destaque. O Qwen3.5 9B oferece uma janela de contexto de 262.1K tokens a $0.00/$0.00 por milhão de tokens, enquanto o Qwen3.5 35B-A3B oferece 262.1K tokens de contexto a $0.00/$0.00 por milhão de tokens. Veja abaixo a comparação completa de benchmarks, latência e custos.
Troque e Compare Qualquer Modelo
Select any AI models from our verified benchmark database to generate live side-by-side matrices.
Qwen3.5 9B
Modelo Base de Pesos AbertosO Qwen3.5 9B da Alibaba é um modelo de IA projetado para auto-hospedagem em infraestrutura própria, fine-tuning e soberania de dados, oferecendo janela de contexto de 262K, velocidade de 165 tokens/s, índice de inteligência de 70/100 e tari
$0.00 / 1M
$0.00 / 1M
262.1K tokens
N/A
Qwen3.5 35B-A3B
IA Multimodal NativaO Qwen3.5 35B-A3B da Alibaba é um modelo de IA projetado para compreensão multimodal nativa de texto e imagem e leitura visual de documentos, oferecendo janela de contexto de 262K, velocidade de 125 tokens/s, índice de inteligência de 77/10
$0.00 / 1M
$0.00 / 1M
262.1K tokens
N/A
Principais Diferenças em Resumo
- 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% |
Quem vence em cada categoria?
At-a-glance decision frameworkEvaluations ongoing
Pontuações de Benchmarks Verificadas
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.
Latência e Tempo de Resposta
Time to first token (TTFT) and estimated end-to-end response time for a typical 500-token response.
Simulador Interativo de Custo de Tokens
Adjust sliders to calculate projected monthly cloud API spending with prompt caching discounts.
Qwen3.5 9B · Strengths & Key Advantages
- Janela de contexto de 262K com limite máximo de saída de 8K tokens (MMLU-Pro 68% · Arena Elo 1230)
- Taxa de transferência rápida de 165 tokens/segundo com latência inicial (TTFT) de 220 ms
- Pesos abertos (9B) para auto-hospedagem local ou em nuvem privada via vLLM, SGLang ou Ollama
Considerations & Trade-offs
- Requer servidores GPU com memória VRAM adequada para execução local em precisão total
- Em derivações científicas extremas, modelos pesados dedicados exclusivamente ao raciocínio oferecem maior profundidade
Qwen3.5 35B-A3B · Strengths & Key Advantages
- Janela de contexto de 262K com limite máximo de saída de 8K tokens (GPQA Diamond 59% · MMLU-Pro 76.5%)
- Taxa de transferência rápida de 125 tokens/segundo com latência inicial (TTFT) de 340 ms
- Pesos abertos (35B total (3B MoE)) para auto-hospedagem local ou em nuvem privada via vLLM, SGLang ou Ollama
Considerations & Trade-offs
- Requer servidores GPU com memória VRAM adequada para execução local em precisão total
- Em derivações científicas extremas, modelos pesados dedicados exclusivamente ao raciocínio oferecem maior profundidade
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 |
Especificações Técnicas
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: Respostas Rápidas (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.
Veredito
Tanto Qwen3.5 9B (Indicado para auto-hospedagem em infraestrutura própria, fine-tuning e soberania de dados, arquiteturas RAG corporativas e integração escalável via API.) quanto Qwen3.5 35B-A3B (Indicado para compreensão multimodal nativa de texto e imagem e leitura visual de documentos, arquiteturas RAG corporativas e integração escalável via API.) entregam excelente desempenho: Qwen3.5 35B-A3B lidera em inteligência geral e programação, Qwen3.5 9B oferece geração mais rápida e Qwen3.5 9B apresenta o melhor custo-benefício em produção.
Perguntas Frequentes (FAQ)
Qual é melhor para programação e raciocínio, Qwen3.5 9B ou Qwen3.5 35B-A3B?+
Nas avaliações de inteligência e código, Qwen3.5 35B-A3B leva vantagem. Confira os gráficos SWE-bench e GPQA acima para detalhes.
Qual modelo tem a API mais barata, Qwen3.5 9B ou Qwen3.5 35B-A3B?+
O Qwen3.5 9B custa $0.00 / $0.00 por 1M de tokens (entrada/saída) e o Qwen3.5 35B-A3B custa $0.00 / $0.00. No custo combinado, Qwen3.5 9B é mais econômico.
Qual modelo possui maior janela de contexto e velocidade?+
O Qwen3.5 9B suporta 262.1K tokens de contexto contra 262.1K tokens do Qwen3.5 35B-A3B, enquanto Qwen3.5 9B entrega maior velocidade de geração.
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: Comparação de Benchmarks, Preços API e Velocidade (2026)Comparar
- Qwen3.5 35B-A3B vs. DeepSeek Chat: Comparação de Benchmarks, Preços API e Velocidade (2026)Comparar
- Qwen3.5 35B-A3B vs. Qwen3.5 27B: Comparação de Benchmarks, Preços API e Velocidade (2026)Comparar
- Aion-3.0 vs. Aion-Mini: Comparação de Benchmarks, Preços API e Velocidade (2026)Comparar
- Aion-3.0 vs. Gemini 3.6 Flash: Comparação de Benchmarks, Preços API e Velocidade (2026)Comparar
- Aion-Mini vs. Laguna XS 2.1: Comparação de Benchmarks, Preços API e Velocidade (2026)Comparar
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.
Fontes oficiais: Documentação oficial de API da Alibaba e Alibaba e benchmarks independentes (2026).