Qwen3.5-2B

Alibaba · 2.0B · ctx 256K · apache-2.0 · HuggingFace

Qwen3.5-2B (Alibaba) is a 2.0B parameters open-weight model tracked on AI Hashrate. At 8K context we estimate roughly 2.5 GB VRAM for Q4 (weights 1.1 GB + KV 0.4 GB + 1 GB overhead) and 5.4 GB for FP16. About 50 GPUs/accelerators in our catalog fully fit this model at Q4 under that context assumption. Fastest Q4 configs: B200 192GB SXM ≈ 2545.5 tok/s (estimated); MI300X 192GB ≈ 1686.4 tok/s (estimated); H200 141GB SXM5 ≈ 1527.3 tok/s (estimated); H100 80GB SXM5 ≈ 1065.9 tok/s (estimated); Gaudi 3 128GB ≈ 1042.4 tok/s (estimated). Use the table below for VRAM fit and tok/s per dollar (list MSRP). Estimates follow memory-bandwidth math; measured rows override when present. See methodology for details. Methodology.

100 hardware configs — sorted by tok/s. Default fit context 8K.

Hardware	VRAM	Quant	tok/s	Fits?	tok/s/$
B200 192GB SXM	192	Q4	2545.5 est.	Yes	0.064
MI300X 192GB	192	Q4	1686.4 est.	Yes	0.112
H200 141GB SXM5	141	Q4	1527.3 est.	Yes	0.044
H100 80GB SXM5	80	Q4	1065.9 est.	Yes	0.036
Gaudi 3 128GB	128	Q4	1042.4 est.	Yes	0.083
B200 192GB SXM	192	FP16	700.0 est.	Yes	0.018
A100 80GB SXM4	80	Q4	648.8 est.	Yes	0.043
RTX 5090 32GB	32	Q4	570.2 est.	Yes	0.285
MI300X 192GB	192	FP16	463.7 est.	Yes	0.031
H200 141GB SXM5	141	FP16	420.0 est.	Yes	0.012
RTX 4090 24GB	24	Q4	320.7 est.	Yes	0.201
RTX 4090D 24GB (China)	24	Q4	320.7 est.	Yes	0.201
RTX 3090 Ti 24GB	24	Q4	320.7 est.	Yes	0.16
RTX 5080 16GB	16	Q4	305.5 est.	Yes	0.306
RX 7900 XTX 24GB	24	Q4	305.5 est.	Yes	0.306
RTX 6000 Ada 48GB	48	Q4	305.5 est.	Yes	0.045
RTX 3090 24GB	24	Q4	297.8 est.	Yes	0.199
H100 80GB SXM5	80	FP16	293.1 est.	Yes	0.01
Gaudi 3 128GB	128	FP16	286.6 est.	Yes	0.023
RTX 5070 Ti 16GB	16	Q4	285.1 est.	Yes	0.381
L40S 48GB	48	Q4	274.9 est.	Yes	0.034
Mac Studio M3 Ultra 96GB	96	Q4	260.6 est.	Yes	0.065
Mac Studio M2 Ultra 192GB	192	Q4	254.5 est.	Yes	0.036
RX 7900 XT 20GB	20	Q4	254.5 est.	Yes	0.283
RTX A6000 48GB	48	Q4	244.4 est.	Yes	0.054
RTX 3080 10GB	10	Q4	241.8 est.	Yes	0.346
RTX 4080 Super 16GB	16	Q4	234.2 est.	Yes	0.234
RTX 4070 Ti Super 16GB	16	Q4	213.8 est.	Yes	0.268
RTX 5070 12GB	12	Q4	213.8 est.	Yes	0.389
RX 9070 16GB	16	Q4	203.6 est.	Yes	0.371
RX 9070 XT 16GB	16	Q4	203.6 est.	Yes	0.34
RX 7800 XT 16GB	16	Q4	198.5 est.	Yes	0.398
RX 7900 GRE 16GB	16	Q4	183.3 est.	Yes	0.334
A100 80GB SXM4	80	FP16	178.4 est.	Yes	0.012
Arc A770 16GB	16	Q4	178.2 est.	Yes	0.511
RTX 4070 Ti 12GB	12	Q4	176.3 est.	Yes	0.221
MacBook Pro M4 Max 128GB	128	Q4	173.7 est.	Yes	0.039
RTX 4070 12GB	12	Q4	160.4 est.	Yes	0.268
RTX 4070 Super 12GB	12	Q4	160.4 est.	Yes	0.268
RTX 5090 32GB	32	FP16	156.8 est.	Yes	0.078
Arc B580 12GB	12	Q4	145.1 est.	Yes	0.583
RTX 5060 8GB	8	Q4	142.5 est.	Yes	0.477
RTX 5060 Ti 8GB	8	Q4	142.5 est.	Yes	0.376
RTX 5060 Ti 16GB	16	Q4	142.5 est.	Yes	0.332
RTX 3070 8GB	8	Q4	142.5 est.	Yes	0.286
RX 7700 XT 12GB	12	Q4	137.5 est.	Yes	0.306
MacBook Pro M3 Max 128GB	128	Q4	127.3 est.	Yes	0.03
Arc B570 10GB	10	Q4	120.9 est.	Yes	0.552
RTX 3060 12GB	12	Q4	114.5 est.	Yes	0.348
T4 16GB	16	Q4	101.8 est.	Yes	0.051
RTX 4060 Ti 8GB	8	Q4	91.6 est.	Yes	0.23
RTX 4060 Ti 16GB	16	Q4	91.6 est.	Yes	0.184
RX 7600 8GB	8	Q4	91.6 est.	Yes	0.341
RX 7600 XT 16GB	16	Q4	91.6 est.	Yes	0.278
RTX 4090 24GB	24	FP16	88.2 est.	Yes	0.055
RTX 4090D 24GB (China)	24	FP16	88.2 est.	Yes	0.055
RTX 3090 Ti 24GB	24	FP16	88.2 est.	Yes	0.044
Mac mini M4 Pro 64GB	64	Q4	86.9 est.	Yes	0.04
RTX 4060 8GB	8	Q4	86.5 est.	Yes	0.289
RTX 5080 16GB	16	FP16	84.0 est.	Yes	0.084
RX 7900 XTX 24GB	24	FP16	84.0 est.	Yes	0.084
RTX 6000 Ada 48GB	48	FP16	84.0 est.	Yes	0.012
RTX 3090 24GB	24	FP16	81.9 est.	Yes	0.055
RTX 5070 Ti 16GB	16	FP16	78.4 est.	Yes	0.105
L40S 48GB	48	FP16	75.6 est.	Yes	0.009
Mac Studio M3 Ultra 96GB	96	FP16	71.7 est.	Yes	0.018
Mac Studio M2 Ultra 192GB	192	FP16	70.0 est.	Yes	0.01
RX 7900 XT 20GB	20	FP16	70.0 est.	Yes	0.078
RTX A6000 48GB	48	FP16	67.2 est.	Yes	0.015
RTX 3080 10GB	10	FP16	66.5 est.	Yes	0.095
RTX 4080 Super 16GB	16	FP16	64.4 est.	Yes	0.064
RTX 4070 Ti Super 16GB	16	FP16	58.8 est.	Yes	0.074
RTX 5070 12GB	12	FP16	58.8 est.	Yes	0.107
RX 9070 16GB	16	FP16	56.0 est.	Yes	0.102
RX 9070 XT 16GB	16	FP16	56.0 est.	Yes	0.093
RX 7800 XT 16GB	16	FP16	54.6 est.	Yes	0.109
RX 7900 GRE 16GB	16	FP16	50.4 est.	Yes	0.092
Arc A770 16GB	16	FP16	49.0 est.	Yes	0.14
RTX 4070 Ti 12GB	12	FP16	48.5 est.	Yes	0.061
MacBook Pro M4 Max 128GB	128	FP16	47.8 est.	Yes	0.011
RTX 4070 12GB	12	FP16	44.1 est.	Yes	0.074
RTX 4070 Super 12GB	12	FP16	44.1 est.	Yes	0.074
Arc B580 12GB	12	FP16	39.9 est.	Yes	0.16
RTX 5060 8GB	8	FP16	39.2 est.	Yes	0.131
RTX 5060 Ti 8GB	8	FP16	39.2 est.	Yes	0.103
RTX 5060 Ti 16GB	16	FP16	39.2 est.	Yes	0.091
RTX 3070 8GB	8	FP16	39.2 est.	Yes	0.079
Mac mini M4 32GB	32	Q4	38.2 est.	Yes	0.038
RX 7700 XT 12GB	12	FP16	37.8 est.	Yes	0.084
MacBook Pro M3 Max 128GB	128	FP16	35.0 est.	Yes	0.008
Arc B570 10GB	10	FP16	33.2 est.	Yes	0.152
RTX 3060 12GB	12	FP16	31.5 est.	Yes	0.096
T4 16GB	16	FP16	28.0 est.	Yes	0.014
RTX 4060 Ti 8GB	8	FP16	25.2 est.	Yes	0.063
RTX 4060 Ti 16GB	16	FP16	25.2 est.	Yes	0.051
RX 7600 8GB	8	FP16	25.2 est.	Yes	0.094
RX 7600 XT 16GB	16	FP16	25.2 est.	Yes	0.077
Mac mini M4 Pro 64GB	64	FP16	23.9 est.	Yes	0.011
RTX 4060 8GB	8	FP16	23.8 est.	Yes	0.08
Mac mini M4 32GB	32	FP16	10.5 est.	Yes	0.011

Fit checks

• RTX 5090 32GB — fits · ≈570.2 tok/s Q4 est.
• RTX 3090 Ti 24GB — fits · ≈320.7 tok/s Q4 est.
• RTX 4090 24GB — fits · ≈320.7 tok/s Q4 est.
• RTX 5080 16GB — fits · ≈305.5 tok/s Q4 est.
• RTX 6000 Ada 48GB — fits · ≈305.5 tok/s Q4 est.
• RX 7900 XTX 24GB — fits · ≈305.5 tok/s Q4 est.
• RTX 3090 24GB — fits · ≈297.8 tok/s Q4 est.
• RTX 5070 Ti 16GB — fits · ≈285.1 tok/s Q4 est.
• L40S 48GB — fits · ≈274.9 tok/s Q4 est.
• Mac Studio M3 Ultra 96GB — fits · ≈260.6 tok/s Q4 est.
• Mac Studio M2 Ultra 192GB — fits · ≈254.5 tok/s Q4 est.
• RX 7900 XT 20GB — fits · ≈254.5 tok/s Q4 est.

12 popular retail GPUs; every row in the table above also links its Fits? verdict to the full fit check.