Qwen3.5-0.8B
阿里巴巴Qwen系列的0.8B参数小型语言模型，可通过外挂记忆模块与动态门控机制提升语言建模能力
时间轴 (近 90 天)
官方数据显示，在单张 B200 上，LFM2.5-1.2B 在 RIPL 上的 p95 延迟比 Qwen3.5-0.8B 在 vLLM 上低 14.4 至 28.4 倍。
在194条Yelp文本判断上，B1（0.8B）正确184条，B2（4B）正确192条；平均NLL分别为0.09620和0.04024。
在1,184条历史多任务问题上，B1正确951条，B2正确1,033条，NLL分别为0.60133和0.46749。
B1做出181个置信度不低于0.9的预测，其中1个错误；B2做出188个，其中2个错误；更好的平均值不自动意味着更少的高置信度错误，0.9也不是现成的生产阈值。
实验中冻结了Qwen3.5-0.8B主干和约510亿参数的PLE记忆模块，只训练了部署在解码器第3层和第9层的R=1读取器
Qwen3.5-0.8B原版NLL为2.905585，PPL为18.2759；Qwengram-0.8B的NLL为2.853786，PPL为17.3534
将Qwen3.8 Flash-Next预训练的PLE（n-gram记忆）迁移到Qwen3.5-0.8B模型上，在冻结验证集上取得了5.05%的困惑度下降
全部知识事实 (7)
官方数据显示，在单张 B200 上，LFM2.5-1.2B 在 RIPL 上的 p95 延迟比 Qwen3.5-0.8B 在 vLLM 上低 14.4 至 28.4 倍。
50%待验证在194条Yelp文本判断上，B1（0.8B）正确184条，B2（4B）正确192条；平均NLL分别为0.09620和0.04024。
50%待验证在1,184条历史多任务问题上，B1正确951条，B2正确1,033条，NLL分别为0.60133和0.46749。
50%待验证B1做出181个置信度不低于0.9的预测，其中1个错误；B2做出188个，其中2个错误；更好的平均值不自动意味着更少的高置信度错误，0.9也不是现成的生产阈值。
50%待验证实验中冻结了Qwen3.5-0.8B主干和约510亿参数的PLE记忆模块，只训练了部署在解码器第3层和第9层的R=1读取器
50%待验证Qwen3.5-0.8B原版NLL为2.905585，PPL为18.2759；Qwengram-0.8B的NLL为2.853786，PPL为17.3534
50%待验证将Qwen3.8 Flash-Next预训练的PLE（n-gram记忆）迁移到Qwen3.5-0.8B模型上，在冻结验证集上取得了5.05%的困惑度下降
50%