Характеристики

Лицензия: MIT
Базовая модель: Qwen3-4B-DFlash-b16
Библиотека: gguf
Опубликована: 10 июл 2026

Ссылки

Qwen3-4B-DFlash-GGUF

Генерация текстаТекст → текст11 профессий

AtomicChat/Qwen3-4B-DFlash-GGUF — это текстовая генеративная модель в формате GGUF, созданная Atomic Chat на основе оригинальных весов z-lab/Qwen3-4B-DFlash-b16.

57 786скачиваний за 30 дней0лайковвеса обновлены22 июл 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 локального и полностью офлайн-использования в llama.cpp, Ollama, LM Studio, Jan и приложении Atomic Chat, включая диалоговые сценарии и генерацию текста.

Согласно README, модель имеет плотную decoder-архитектуру DFlashDraftModel, 5 слоёв, 32 attention heads и 8 KV heads, словарь из 151 936 токенов и контекст до 40 960 токенов. Поддерживается только текстовая модальность. В карточке указано 0,5 млрд параметров, а доступный квант Q8_0 занимает около 0,6 ГБ; при этом название базовой модели содержит обозначение 4B, поэтому размер следует трактовать с осторожностью.

Ключевая особенность репозитория — самостоятельная квантизация Atomic Chat с использованием importance matrix для каждого варианта, что должно сохранять качество исходной модели при низкой разрядности. Ограничения включают отсутствие мультимодальности и необходимость применять шаблон чата Qwen3 через параметр --jinja; без него возможны некорректно сформированные диалоговые ходы. В README также рекомендована temperature 0.0. Исходная модель выпущена Z Lab по лицензии MIT, квантизированная версия подготовлена Atomic Chat.

Для каких профессий подходит11

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3 4B Dflash b16, self-quantized to GGUF by Atomic Chat. Built straight from Z Lab's original weights with a per-tensor importance matrix, so this is not a repack of somebody else's files. Runs fully offline.

Highlights

0.5B parameters: the weights this repo quantizes.
Context length: 40,960 tokens (40K), as published by Z Lab.
5 layers: Dense decoder.
Full imatrix ladder: every quant is calibrated with an importance matrix.

[!NOTE] These GGUFs are self-quantized from the original weights, not a repack. The importance matrix keeps low-bit quants closer to the full-precision model.

[!IMPORTANT] Always pass --jinja so the Qwen3 4B Dflash b16 chat template is applied. Without it the model can emit malformed turns.

Model Overview

Property	Value
Base model	`z-lab/Qwen3-4B-DFlash-b16`
Parameters	0.5B
Layers	5
Context length	40,960 tokens (40K)
Vocabulary	151,936
Modalities	Text
Architecture	Dense decoder, 32 attention heads over 8 KV heads, `DFlashDraftModel`
This repo	GGUF quants (imatrix). Quants: `Q8_0`

Choosing a quant

Quant	Size	Notes
`Q8_0`	0.6 GB	Effectively lossless, reference quality.

[!TIP] Pick the largest file that fits your (V)RAM with room for context. Q8_0 is the sweet spot for most setups; Q6_K or Q8_0 for maximum fidelity.

Get started

Run Qwen3 4B Dflash b16 locally with:

Atomic Chat: the easiest path. Open the app, search AtomicChat/Qwen3-4B-DFlash-GGUF, pick a quant, hit Use this model.
llama.cpp: llama-server -hf AtomicChat/Qwen3-4B-DFlash-GGUF:Q8_0 --jinja -c 8192
Ollama: ollama run hf.co/AtomicChat/Qwen3-4B-DFlash-GGUF:Q8_0
LM Studio / Jan: search the repo id, download any quant.

Best practices

Parameter	Value
temperature	0.0

Z Lab's recommended sampling configuration for z-lab/Qwen3-4B-DFlash-b16.

Run in llama.cpp

git clone https://github.com/ggml-org/llama.cpp
cmake llama.cpp -B llama.cpp/build -DBUILD_SHARED_LIBS=OFF -DGGML_CUDA=ON
cmake --build llama.cpp/build --config Release -j --target llama-cli llama-server

./llama.cpp/build/bin/llama-server \
    -hf AtomicChat/Qwen3-4B-DFlash-GGUF:Q8_0 \
    --jinja -ngl 99 -c 8192 -fa on

How these were made

Download z-lab/Qwen3-4B-DFlash-b16 (original weights).
Convert to f16 GGUF with llama.cpp.
Build an importance matrix over our calibration corpus.
Quantize the ladder with --imatrix.

License

Original model by Z Lab, released under the MIT license. Quantized by Atomic Chat.

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: b53c7de