Alibaba meluncurkan Qwen 3.5 small models sebagai solusi AI ringkas yang dapat berjalan efisien di perangkat edge, termasuk laptop dan ponsel model lama. Qwen 3.5 hadir dengan dua varian jumlah parameter, yaitu 0,8 miliar dan 2 miliar parameter, sehingga mampu bekerja secara offline tanpa koneksi internet dengan optimal. Inovasi ini dirancang untuk memberikan akses teknologi AI canggih pada perangkat dengan sumber daya terbatas.
Qwen 3.5 menonjol berkat jendela konteks sebesar 262.000 token. Kemampuan ini memungkinkan pemrosesan dataset berukuran besar, seperti dokumen panjang dan basis kode kompleks, dalam satu sesi kerja. Berdasarkan data dari Better Stack, fitur ini sangat membantu untuk ringkasan teks panjang, analisis data mendalam, hingga penelusuran dan debugging kode secara efisien tanpa kehilangan koherensi informasi.
Kinerja Multimodal dan Benchmark Unggulan
Qwen 3.5 mengusung keunggulan multimodal, yaitu mampu memahami teks, melakukan pengenalan objek visual, dan menyelesaikan tugas pemrograman dalam satu model yang hemat sumber daya. Model 2B memperoleh skor 66,5 pada benchmark MMLU (Massive Multitask Language Understanding). Sementara itu, model 0,8B mendapat skor 42,3 pada tes yang sama. Kedua skor ini menempatkan Qwen 3.5 setara dengan model besar seperti Llama 2 7B, terutama terkait pemahaman bahasa dalam tugas multi-domain.
Pada tugas pengenalan karakter optik (OCR), model 2B meraih skor 85,4 dan versi 0,8B mencatat nilai 79,1. Angka ini menandakan Qwen 3.5 dapat mengenali teks serta objek dalam gambar dengan akurasi yang cukup kompetitif, walau kinerjanya bisa bervariasi pada tantangan yang lebih rumit.
Tabel Skor Benchmark Qwen 3.5 Small Models
| Model | Parameter | Skor MMLU | Skor OCR |
|---|---|---|---|
| Qwen 3.5 | 0,8B | 42,3 | 79,1 |
| Qwen 3.5 | 2B | 66,5 | 85,4 |
Efisiensi dan kompaknya Qwen 3.5 membuatnya cocok digunakan pada perangkat dengan kemampuan komputasi moderat, tanpa mengorbankan kualitas hasil.
Optimal di Perangkat Edge dan Kompatibel dengan Hardware Lama
Pengujian membuktikan, baik model 0,8B maupun 2B dapat berjalan lancar di perangkat seperti MacBook Pro dan iPhone 14 Pro. Respons yang dihasilkan untuk ringkasan teks, pengenalan objek, hingga coding dasar tergolong cepat. Tidak hanya pada perangkat baru, Qwen 3.5 juga berjalan optimal pada laptop dan smartphone kelas lama dengan kapasitas terbatas. Inovasi ini memperluas akses masyarakat terhadap AI modern.
Ketersediaan Qwen 3.5 di perangkat dengan modal hardware lama membuka peluang peningkatan produktivitas, edukasi, serta aplikasi sehari-hari tanpa upgrade besar.
Kapabilitas Pemrograman dan Pengenalan Visual
Pengujian kemampuan coding pada Qwen 3.5 menunjukkan output fungsional, terutama pada model 2B yang lebih akurat dalam menghasilkan potongan kode. Namun, model 0,8B kadang menghadapi kendala logika dan keterbatasan desain. Terdapat juga tantangan seperti terjadinya infinite loop dan lambatnya penyelesaian tugas pada model tertentu.
Untuk pengolahan visual, Qwen 3.5 mampu mengenali objek harian dan mengekstrak teks dari foto dengan tingkat presisi tinggi. Meski begitu, kemampuan mencirikan objek yang sangat mirip atau membaca teks multibahasa masih jadi tantangan tersendiri bagi kedua model ini.
Daftar Kelebihan dan Tantangan Qwen 3.5 Small Models:
- Multimodal: Mampu aplikasi teks, visual, dan coding dalam satu sistem.
- Ringkas: Hemat sumber daya, cocok untuk perangkat edge.
- Konteks Luas: Jendela konteks 262.000 token, efisien untuk dokumen atau kode panjang.
- Compatible: Berjalan baik di perangkat hardware lama.
- Tantangan: Masih ada masalah pada reasoning kompleks, masalah teknis (halusinasi, loop), dan keterbatasan di tugas visual yang detail.
Tantangan Teknis dan Area Pengembangan Lanjutan
Meski unggul di banyak area, Qwen 3.5 menghadapi tantangan pada tugas yang membutuhkan reasoning tingkat lanjut dan pengetahuan domain khusus. Ditemukan juga masalah teknis seperti halusinasi serta loop tanpa henti khususnya pada tugas yang lebih berat dengan model 2B. Faktor desain yang ringkas, meski efisien, membatasi kemampuannya mengatasi tugas berat atau skenario pemrosesan sangat kompleks.
Berdasarkan restrukturisasi internal pada tim Qwen di Alibaba, masa depan pengembangan model ini dinilai belum jelas, sehingga Qwen 3.5 kemungkinan menjadi rilisan besar terakhir dari tim tersebut untuk sementara waktu. Meski demikian, Qwen 3.5 telah menunjukkan bahwa model AI berkapasitas kecil dapat menyamai performa model besar dalam banyak aplikasi edge.
Ke depan, pengembangan AI compact seperti Qwen 3.5 masih menyimpan potensi besar. Evaluasi dan peningkatan kemampuan reasoning kompleks serta reliabilitas teknis diharapkan menjadi fokus riset berikutnya, agar model-model serupa dapat menjangkau lebih banyak pengguna di masa depan dengan hasil yang optimal.
