/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
gguf
Опубликована
20 сен 2026

Qwen3.8-27B-Heretic-GSQ-RCO-GGUF

Генерация текстаТекст → текст10 профессий

Qwen3.8-27B-Heretic-GSQ-RCO-GGUF — семейство неравномерно квантованных GGUF-моделей, разработанное 0bserverx на базе Qwen3.8-27B-Heretic-Abliterated-Uncensored.

54 390скачиваний за 30 дней48лайковвеса обновлены20 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель предназначена для генерации текста и запуска локально через llama.cpp, Ollama или LM Studio. Варианты включают стандартные веса и версии с встроенной головой Qwen3.8 MTP/NextN для спекулятивного декодирования.

Модель содержит 27B параметров; каждый из 851 тензора получает собственный тип квантования по схеме RCO, с использованием официальной importance matrix и инструментов llama.cpp. Доступны варианты с целевой точностью 2,50–3,50 bpw и размером от 8,45 до 11,80 ГБ, а MTP-версии требуют примерно на 0,42 ГиБ больше. Версия IQ3_S показывает perplexity 6,1778 на wikitext-2, что на 0,95% выше эталона F16; заявленная скорость генерации составляет до 90 токенов в секунду для IQ3_S и до 150 токенов в секунду для IQ3_S-mtp в указанной конфигурации.

Сильными сторонами являются низкие требования к памяти, высокая сохранность качества при 3,50 bpw и возможность спекулятивного декодирования. Ограничения связаны с компромиссом между размером, качеством и скоростью у более компактных вариантов, а также с тем, что опубликованная реализация воспроизводит распределение квантования RCO, но не полный refinement-проход GSQ. Модель основана на abliteration и позиционируется как uncensored; README сообщает о 0–1 отказах из 100 тестов, но не описывает методику оценки. Лицензия — Apache-2.0.

Для каких профессий подходит10

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3.8-27B-Heretic · GSQ-RCO GGUFs

Non-uniform GGUF quantizations of RVN Qwen3.8-27B-Heretic-Abliterated-Uncensored (refusals 0-1/100, KL ~ 0.0085 vs base). Instead of one uniform quantization type for all tensors, each of the 851 tensors carries its own type, following the per-tensor RCO allocation published by IST-DASLab for their GSQ-RCO release of Qwen3.8-27B, quantized locally with llama.cpp and the official importance matrix imatrix-qwen3.8-27b.gguf. Files are standard GGUF and run unmodified in llama.cpp / Ollama / LM Studio.

Why this release exists

This family was made at the request of community member Heidagger44 in discussion #11:

Regarding IQ3_S there is new method: GSQ-RCO, if it's possible to combine your abliteration method with this quantization, we would have a true refusal free Qwen3.8-27B running fully on 16GB cards.

Thanks for the pointer - this is that combination, in four sizes.

Available files

FileTarget bpwWeightsNotes
RVN-Qwen3.8-27B-Heretic-GSQ-RCO-IQ2_XS.gguf2.508.45 GBSmallest tier - 12 GB-class cards
RVN-Qwen3.8-27B-Heretic-GSQ-RCO-IQ2_S.gguf2.759.28 GBBalanced low-memory tier
RVN-Qwen3.8-27B-Heretic-GSQ-RCO-IQ3_XXS.gguf3.0010.12 GBStrong sub-10.5 GB operating point
RVN-Qwen3.8-27B-Heretic-GSQ-RCO-IQ3_S.gguf3.5011.80 GBRecommended on 16 GB cards
4 x *-mtp.gguf twins-+0.42 GiB eachEmbedded official Qwen3.8 MTP/NextN head; main weights identical

Quality - measured, not assumed

Perplexity on wikitext-2 (llama-perplexity, ctx 4096, one RTX PRO 6000 Blackwell, full offload):

VariantPPL (wikitext-2)Delta vs F16
F16 reference (RVN-F16.gguf)6.1197-
GSQ-RCO IQ3_S6.1778+0.95%
GSQ-RCO IQ3_XXS6.3486+3.7%
GSQ-RCO IQ2_S6.5058+6.3%
GSQ-RCO IQ2_XS6.7724+10.7%
A/B: uniform RVN-IQ3_S.gguf6.2956+2.9%

At 3.50 bpw the allocation lands within 1% of F16 - and a same-class uniform quantization sits 1.9% behind it at a larger file size (12.42 GB vs 11.80 GB). Generation speeds (same box, full offload): IQ2_XS 105 t/s, IQ2_S 101 t/s, IQ3_XXS 97 t/s, IQ3_S 90 t/s, IQ3_S-mtp 150 t/s with --spec-type draft-mtp.

How these files were built

  1. Allocation - IST-DASLab's published per-tensor RCO maps for this tier set (851 tensor-to-type entries each; targets 2.50-3.50 bpw).
  2. Quantization - every tensor of RVN-F16.gguf quantized at its assigned type with llama.cpp (--tensor-type-file), using the official imatrix-qwen3.8-27b.gguf.
  3. MTP embedding - the official Qwen3.8 MTP/NextN head (from mtp-RVN.gguf) raw-byte merged into the -mtp twins (block_count=65, nextn_predict_layers=1).

Exactness - header audit per file: 803/851 tensors match the published allocation exactly; the 48 ssm_alpha tensors are held at F32 by llama.cpp's SSM precision rule (the map lists BF16 - strictly higher precision, ~ +24 MB/file).

Provenance note - this reproduces the RCO allocation with optimized local quantization. The per-tensor GSQ refinement pass from ISTA's internal pipeline is not reproduced; its current public implementation is a research checkpoint that regresses end-to-end KL in its own tests. The allocation and the official importance matrix are the published, verifiable ingredients. If the KL-gated refinement lands upstream we will re-run it.

Usage

# 16 GB cards: start here
llama-cli -m RVN-Qwen3.8-27B-Heretic-GSQ-RCO-IQ3_S.gguf -ngl 99 --temp 1.0 -p "Your prompt"

# speculative decoding with the embedded MTP head (llama.cpp >= b10440):
llama-cli -m RVN-Qwen3.8-27B-Heretic-GSQ-RCO-IQ3_S-mtp.gguf -ngl 99 \
  --spec-type draft-mtp --spec-draft-n-max 2 --parallel 1 -p "Your prompt"

Thinking mode follows the model's chat template. A vLLM/Transformers (compressed-tensors) GSQ variant lives in the companion repository under GSQ-3bit/.

Related repositories

Credits

Per-tensor RCO allocation + official importance matrix: IST-DASLab (GSQ-RCO release). Quantization, verification, and MTP embedding: this repository. Base abliteration (RVN / ARA): see the main repository.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

llama.cpp

Нельзя запустить

GGUF-модель ждёт проверки: нужно выбрать файл кванта под доступные GPU.

Ревизия весов
1b65f1e

0 моделей