Qwen2.5-0.5B
阿里巴巴通义千问系列中的轻量级小参数大语言模型，0.5B参数规模，适合资源受限环境下的微调与推理实验
时间轴 (近 90 天)
在 16 并发、256 token 输出测试中，Gemma 4 E2B 输出速度为 1887 tokens/秒，比它快的模型包括 Qwen2.5-0.5B（4176，2.21x）、Qwen3-0.6B（3210，1.70x）、Qwen2.5-1.5B（2780，1.47x）和 Qwen3-1.7B（2049，1.09x）。
候选小模型包括SmolLM2（135M和360M）、Gemma 3 270M、LFM2.5-350M、Qwen2.5-0.5B和Qwen3-0.6B，它们均有ONNX浏览器构建。
Nodus 在 2026 年 10 月 11 日的试点中，使用 Qwen2.5-0.5B 模型在单张 NVIDIA L4 上运行相同配方，监督微调费用比 Modal 低 67%，持续预训练费用低 42.5%；计入一次失败尝试后微调节省降至 24.7%。
在 Qwen2.5-0.5B 上，OAL 相比 DiJiang 将冻结注意力输出的相对均方误差降低了约 8.9%
全部知识事实 (4)
在 16 并发、256 token 输出测试中，Gemma 4 E2B 输出速度为 1887 tokens/秒，比它快的模型包括 Qwen2.5-0.5B（4176，2.21x）、Qwen3-0.6B（3210，1.70x）、Qwen2.5-1.5B（2780，1.47x）和 Qwen3-1.7B（2049，1.09x）。
50%待验证候选小模型包括SmolLM2（135M和360M）、Gemma 3 270M、LFM2.5-350M、Qwen2.5-0.5B和Qwen3-0.6B，它们均有ONNX浏览器构建。
50%待验证Nodus 在 2026 年 10 月 11 日的试点中，使用 Qwen2.5-0.5B 模型在单张 NVIDIA L4 上运行相同配方，监督微调费用比 Modal 低 67%，持续预训练费用低 42.5%；计入一次失败尝试后微调节省降至 24.7%。
50%待验证在 Qwen2.5-0.5B 上，OAL 相比 DiJiang 将冻结注意力输出的相对均方误差降低了约 8.9%
50%