/ Модель

Характеристики

Контекст
32 768 токенов
Лицензия
Apache 2.0
Архитектура
qwen2_5_omni · dense
Базовая модель
Qwen2.5-Omni-7B
Библиотека
transformers
Опубликована
24 мая 2026

Qwen2.5-Omni-7B-W4A16

Генерация текстаТекст → текст11 профессий

88plug/Qwen2.5-Omni-7B-W4A16 — это INT4-квантованная версия базовой модели Qwen/Qwen2.5-Omni-7B, подготовленная 88plug методом посттренировочной квантализации.

571скачиваний за 30 дней0лайковвеса обновлены8 сен 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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 диалоговых сценариев с мультимодальным вводом: поддерживает обработку текста, изображений и аудио, а исходная архитектура также включает генерацию речи в реальном времени.

Модель имеет архитектуру Thinker с языковой моделью, аудиобашней, визуальным модулем и компонентами синтеза речи Talker и Token2Wav. Квантованы линейные слои 28 трансформерных блоков языкового ядра в формате W4A16 с INT4-весами, BF16-активациями и размером группы 128. Аудио-, визуальные и речевые компоненты, эмбеддинги, LM head и нормализации сохранены в BF16. Размер весов составляет около 3,5 ГБ; заявлена работа на одной видеокарте с 8 ГБ памяти, например RTX 3080 с 10 ГБ. В конфигурациях запуска указан контекст до 32768 токенов, а заявленным языком является English.

Главное преимущество модели — существенное снижение требований к памяти при сохранении мультимодальных возможностей базовой 7B-модели. Она подходит для локального развертывания через vLLM, включая обработку аудио и изображений; для полноценного вывода речи рекомендуется vLLM-Omni. Основные ограничения связаны с поддержкой окружений: TGI не поддерживает используемый формат compressed-tensors, обычный vLLM возвращает только текст, SGLang не поддерживает этот формат нативно, а интеграция с Hugging Face Inference Widget может работать нестабильно. Модель распространяется по лицензии Apache-2.0.

Для каких профессий подходит11

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

Load path (important)

Hub catalog is a compressed-tensors (pack-quantized) checkpoint. Prefer vLLM ≥ 0.21.

RuntimeSupported
vLLM ≥ 0.21Yes — preferred (auto-detect CT; no --quantization flag)
transformers + compressed-tensorsYes for many text models; multimodal may need custom code
Text Generation Inference (TGI)Not supported for these CT packs
Hugging Face Inference WidgetOften fails — use vLLM locally instead
# Preferred
vllm serve 88plug/<ModelName> --trust-remote-code

Do not deploy via TGI “text-generation-inference” paths — that backend does not load our CT format and produces opaque worker/load errors.

Qwen2.5-Omni-7B-W4A16

INT4 post-training quantization of Qwen/Qwen2.5-Omni-7B — the 7B omni model with audio input, image input, and real-time speech output. ~3.5 GB on disk. Runs on any 8 GB GPU.


At a Glance

PropertyValue
Base modelQwen/Qwen2.5-Omni-7B
Release tierAttention-gold (AutoRound attention-only)
Quant methodAutoRound W4A16-G32 attention-only iters=200
FLAC statusNot measured (T+7d milestone)
ArchitectureThinker (LLM) + audio_tower + visual + talker (speech decoder)
Quant formatcompressed-tensors (native vLLM)
Quantizedthinker transformer layers (Linear targets, uniform W4A16)
Kept BF16audio_tower, visual, talker, embeddings, lm_head, norms
Group size128 (AutoRound (blocked — see KNOWN-FAILURES) default)
Disk sizeHub catalog complete (CT pack)
Min GPU1× RTX 3080 10 GB or any 8 GB GPU

Memory Requirements

ConfigurationBF16W8A16W4A16
Weights~18 GB~8 GB~3.5 GB
Min GPU1× A100 40 GB1× RTX 3090 24 GB1× RTX 3080 10 GB

Quick Start

Tested with vLLM v0.21.0 (vllm/vllm-openai:v0.21.0-cu129-ubuntu2404). Weights are in compressed-tensors format — vLLM detects and loads quantization automatically. No --quantization flag needed.

vLLM — text output only

docker run --gpus device=0 -p 8080:8080 \
  vllm/vllm-openai:v0.21.0-cu129-ubuntu2404 vllm serve \
  88plug/Qwen2.5-Omni-7B-W4A16 \
  --kv-cache-dtype fp8 \
  --max-model-len 32768 \
  --gpu-memory-utilization 0.90

Weights are in compressed-tensors format — no --quantization flag needed. Mainline vLLM returns text only. Audio input works; speech output does not.

Python client

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8080/v1", api_key="unused")

response = client.chat.completions.create(
    model="88plug/Qwen2.5-Omni-7B-W4A16",
    messages=[{"role": "user", "content": "Explain the difference between W4A16 and W8A16 quantization."}],
    max_tokens=512,
)
print(response.choices[0].message.content)

vLLM-Omni — full audio output

vLLM-Omni v0.20.0 enables real-time speech output.

docker run --gpus device=0 -p 8080:8080 \
  vllm/vllm-omni:v0.20.0-cu129 vllm serve \
  88plug/Qwen2.5-Omni-7B-W4A16 \
  --kv-cache-dtype fp8 \
  --max-model-len 32768 \
  --gpu-memory-utilization 0.90

SGLang — BF16 baseline

SGLang v0.5.8 does not support compressed-tensors natively. Run the BF16 base model for prefix-heavy and high-concurrency workloads.

docker run --gpus device=0 -p 30000:30000 \
  lmsysorg/sglang:v0.5.8-cu129 python -m sglang.launch_server \
  --model-path Qwen/Qwen2.5-Omni-7B \
  --tp 1 \
  --mem-fraction-static 0.85 \
  --port 30000

llama.cpp — audio/vision in, text out

Speech output is not in mainline llama.cpp (issue #21956). Convert from the BF16 base, not from the compressed-tensors checkpoint.

python convert_hf_to_gguf.py Qwen/Qwen2.5-Omni-7B \
  --outfile Qwen2.5-Omni-7B-BF16.gguf

llama-quantize Qwen2.5-Omni-7B-BF16.gguf Qwen2.5-Omni-7B-Q4_K_M.gguf Q4_K_M
llama-quantize --imatrix calibration_datav3.txt \
  Qwen2.5-Omni-7B-BF16.gguf Qwen2.5-Omni-7B-IQ4_XS.gguf IQ4_XS

llama-server \
  --model Qwen2.5-Omni-7B-Q4_K_M.gguf \
  --n-gpu-layers 999 \
  --ctx-size 32768 \
  --port 8081

Quantization Design

Recipe

AutoRound (blocked — see KNOWN-FAILURES) with scheme="W4A16", datafree RTN (QuantizationModifier), applied uniformly to all Linear targets in model.thinker. No mixed-precision or per-layer overrides.

What is quantized

All Linear modules in model.thinker (the LLM backbone — 28 transformer blocks) are quantized to W4A16 INT4 weights with BF16 activations and group size 128.

What stays BF16

ComponentPrecisionReason
thinker.* transformer layersW4A16 INT4Quantized
thinker.audio_tower.*BF16Whisper-based audio encoder — excluded
thinker.visual.*BF16ViT vision encoder — excluded
talker.*BF16Dual-track speech decoder — excluded
token2wav.*BF16DiT + BigVGAN vocoder — excluded
Embeddings (embed_tokens)BF16Excluded by recipe
LM head (lm_head)BF16Excluded by recipe
Layer normsBF16Excluded by recipe

Only the LLM backbone weights are quantized. The audio, vision, speech decoder, and vocoder components are untouched.

Calibration corpus

DatasetSamplesRole
HuggingFaceH4/ultrachat_200k512Instruction-following / chat
wikitext-103-raw-v1512General knowledge / long-form text
Total1024Mixed, shuffled, seq_len=2048

Quality Targets

MetricW8A16 targetW4A16 target
KL divergence vs BF16< 0.005< 0.018
MMLU recovery≥ 99.7%≥ 98%

W4A16 applies a wider KL tolerance than W8A16 by design — INT4 introduces more rounding error than INT8. The AutoRound (blocked — see KNOWN-FAILURES) optimizer and 200 calibration iterations are chosen to maximize recovery within this budget.


Competitor Comparables

ModelSourceFormatCompare angle
Qwen/Qwen2.5-Omni-7BofficialBF16Quality ceiling
Qwen/Qwen2.5-Omni-7B-AWQofficialAWQ 4-bitOfficial W4 reference
Intel/Qwen2.5-Omni-7B-int4-AutoRound (blocked — see KNOWN-FAILURES)IntelAutoRound (blocked — see KNOWN-FAILURES) Int4Same method, different format
ggml-org/Qwen2.5-Omni-7B-GGUFggmlGGUFllama.cpp users
88plug/Qwen2.5-Omni-7B-W8A1688plugcompressed-tensors W8A16Higher precision alternative

Note: This is the only compressed-tensors W4A16 quant for Qwen2.5-Omni-7B at time of release, making it the only vLLM-native INT4 option for this model.


Benchmarks

MetricScore
Throughput total (in2048_out512)2770 tok/s (prompt+output)
Throughput total (in512_out256)3642 tok/s (prompt+output)
Throughput total (in8192_out512)2633 tok/s (prompt+output)

Results from 88plug benchmark ladder — vLLM v0.21.0, lm-evaluation-harness. No fabricated numbers.

SGLang Note

SGLang v0.5.8 does not support compressed-tensors natively. Use the BF16 base model (Qwen/Qwen2.5-Omni-7B) with SGLang for prefix-heavy workloads. The W4A16 quant is vLLM-native.


Technical Details

ParameterValue
Quantization libraryllmcompressor + AutoRound (blocked — see KNOWN-FAILURES)
SchemeW4A16 (INT4 weights, BF16 activations)
Group size128
Calibration iterations200
Calibration seq length2048
Target scopemodel.thinker only
Pipelinesequential
Output formatcompressed-tensors

Citation

@misc{qwen25omni,
  title  = {Qwen2.5-Omni Technical Report},
  author = {Qwen Team},
  year   = {2025},
  url    = {https://huggingface.co/Qwen/Qwen2.5-Omni-7B}
}

About

88plug AI Lab ships production-grade compressed-tensors quantizations for native vLLM v0.21.0+ deployment.

This release: Attention-gold tier — AutoRound W4A16-G32 on attention projections only (iters=200). MoE experts and multimodal towers stay BF16 by design.

Browse all releases → huggingface.co/88plug

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5OmniForConditionalGeneration
Ревизия весов
459775d

0 моделей