このモデルの強みは何ですか？

大容量のコンテキスト対応対話に特化した設計 MITライセンスで利用可能

このモデルの弱みは何ですか？

モデルサイズが約18GBあり大きい計算リソースへの依存特定タスクへの最適化不足

どんな用途に最適ですか？

高度なAIチャットボット構築長文ドキュメントの解析オープンソースAI開発

モデル一覧に戻る

アリババオープンソース

Qwen3.5-9B-Instruct

Name: Qwen3.5-9B-Instruct
Author: アリババ

Qwen3.5-9B-Instructは、阿里巴巴によって開発された基盤モデルです。チャット特化型の設計となっており、128Kの長いコンテキストウィンドウをサポートしています。

パラメータ

90.0B

コンテキスト長

128K

ライセンス

MIT

リリース日

2026-02-16

API料金

このモデルのAPI料金情報は現在未公開です

強み

・大容量のコンテキスト対応
・対話に特化した設計
・MITライセンスで利用可能

弱み

・モデルサイズが約18GBあり大きい
・計算リソースへの依存
・特定タスクへの最適化不足

活用例

・高度なAIチャットボット構築
・長文ドキュメントの解析
・オープンソースAI開発

深度分析

リリース日

March 2, 2026

パラメータ

Dense model — all parameters active

アーキテクチャ

Gated DeltaNet + Gated Attention (32 layers)

コンテキストウィンドウ

262,144 tokens (native), ~1M via YaRN

モダリティ

Text, Image, Video

VRAM（Q4）

~5-6 GB

VRAM (BF16)

~18 GB

言語

201

ライセンス

Apache 2.0

GPQAダイヤモンド

81.7

Beats Qwen3-30B (73.4) and Qwen3-80B (77.2)

強み

・Qwen3-30B（3倍のサイズ）をGPQA Diamond（81.7対73.4）、IFEval（91.5対88.9）、LongBench v2（55.2対44.8）で上回る
・視覚タスクでGPT-5-Nanoを圧倒：MMMU-Proで+13、MathVisionで+17、OmniDocBenchで+32
・ほぼすべての現代のGPUで動作：Q4で約5GB、RTX 3060やM1 Macに搭載可能
・同一のウェイトで動画サポート付きのネイティブマルチモーダル——別途のVLバリアントは不要
・Apache 2.0ライセンスで、思考モード/非思考モードの切り替え機能付き

弱み

・コーディングベンチマークで大規模モデルに劣る：LiveCodeBench 65.6 vs GPT-OSS-120Bの82.7
・9Bパラメータでは最も複雑な多段階推論に本質的な限界がある
・低解像度または高圧縮の画像でビジョンエンコーダーの品質が低下する
・コミュニティからOllama統合における偶発的な不安定性が報告されている
・主要なクラウドAPIとしてはまだ利用できない（主にセルフホスト）

競合比較

Model	Arena	SWE	GPQA	Price
GPT-5-Nano	~1350	~55	~78	Proprietary
Qwen3-30B	~1360	~58	73.4	Open-source
Qwen3.5-9B	~1370	~60	81.7	Open-source
Gemma 3 12B	~1350	~56	~75	Open-source
Llama 3.3 8B	~1340	~52	~70	Open-source

概要

モデル: qwen3-5-9b-instruct フィールド: 概要 Qwen3.5-9Bは、Qwen3.5 Small Seriesにおける傑出したモデルです。90億パラメータの密なモデルでありながら、そのサイズをはるかに超える驚異的な性能を発揮します。知識・推論・長文脈のベンチマークにおいて、前世代のQwen3-30B（その3倍のサイズ）を上回り、ビジョンタスクではGPT-5-Nanoを二桁の差で圧倒します。Q4量子化時に約5GBのVRAMで動作し、RTX 3060やM1 Macを含むほぼすべての現代のGPUで実行可能です。

ベンチマーク＆性能

サイズを考慮すると異例の性能：MMLU-Pro 82.5、GPQA Diamond 81.7、IFEval 91.5、SuperGPQA 58.2、C-Eval 88.2、LongBench v2 55.2、AA-LCR 63.0。ビジョン：MMMU 78.4、MMMU-Pro 70.1（対 GPT-5-Nano 57.2）、MathVision 78.9（対 62.2）、OmniDocBench1.5 87.7（対 55.9）、字幕付きVideoMME 84.5。9分の1のサイズでありながら、GPQA DiamondとIFEvalでQwen3-80Bを上回る。

詳細比較

主要な比較結果：MMLU-Pro（82.5対80.8）、GPQA Diamond（81.7対80.1）、MMMLU（81.2対78.2）でGPT-OSS-120Bを上回る——13倍のサイズ差があるにもかかわらず。しかし、GPT-OSS-120Bはコーディング（LiveCodeBench 82.7対65.6）で勝利している。27Bモデルと比較すると、ベンチマークで4～7ポイント劣るものの、VRAMは3分の1で済む。Gemma 3 12BおよびLlama 3.3 8Bと比較すると、知識タスクと視覚タスクの両方で明らかに優れている。

コミュニティ評価

利用可能な最高の小規模モデルの一つとして広く称賛されている。「9Bが120Bを上回る」という物語は大きな注目を集めた。AI研究者のNathan LambertはQwen 3.5モデルを「本当に素晴らしい」と評した。ローカルAIにおける最も費用対効果の高いモデルとして推奨されている。一部のユーザーは、純粋なコーディングタスクでは4Bの方が人気があると指摘している。文書分析やスクリーンショットの理解などの実用的なタスクにおいて、ビジョン機能が高く評価されている。

ユースケース

Model: qwen3-5-9b-instruct Field: use_case_deep ローカルAIユーザーにとってのスイートスポットモデル。RTX 3060（Q4で6GB VRAM）でのエージェント型コーディング、知識Q&A、ドキュメント理解、画像分析、動画理解、長文脈処理、および汎用アシスタントタスクに優れている。コーディング重視のワークフローには、4B（より安定）または35B-A3B（より高速）を検討すべき。クリエイティブライティングには、27Bの方がより良い文章を生成する。9Bは、限られたハードウェアを持つユーザーにとって最良のオールラウンドな選択肢である。