/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
31,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-27B
Опубликована
16 авг 2026

Qwen3.8-27B-INT8-W8A8

Изображение и текст → текст15 профессий

Avesed/Qwen3.8-27B-INT8-W8A8 — квантизированная версия Qwen/Qwen3.8-27B, разработанная Avesed.

4 944скачиваний за 30 дней11лайковвеса обновлены16 авг 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

Это плотная гибридная vision-language-модель с линейным механизмом внимания GatedDeltaNet, периодическими слоями полного внимания, встроенной vision-башней и MTP-головой для speculative decoding. Модель поддерживает английский и китайский языки, а также обработку изображений и текста; точный размер контекста в README не указан.

Модель предназначена для генерации и анализа текста, рассуждений, решения математических задач, перевода, двуязычных сценариев и задач с изображениями. Квантизация INT8 применяется к весам и активациям по схеме W8A8: используются симметричные INT8-веса и динамические INT8-активации, тогда как наиболее чувствительные к качеству компоненты, включая embeddings, lm_head, vision tower и MTP head, сохранены в bf16. Объём модели составляет около 30 ГБ; для запуска рекомендуется две видеокарты по 24 ГБ с tensor parallelism.

Сильная сторона сборки — высокая скорость prefill: на двух RTX 3090 зафиксировано около 4408 токенов/с против 2276 токенов/с у INT4-сборки, при этом доступно speculative decoding через MTP. Скорость decode ниже, около 73 токенов/с, поскольку INT8 требует больше пропускной способности памяти. На GSM8K модель показала 96,8% на выборке из 250 задач; также проверены англо-китайская генерация и перевод, работа vision-пути и reasoning-параметров. MMLU-Pro не тестировалась. Модель распространяется по лицензии Apache-2.0 и предназначена для запуска через vLLM.

Для каких профессий подходит15

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-INT8-W8A8

INT8 weight and activation (W8A8) quantization of Qwen/Qwen3.8-27B — a dense hybrid model (GatedDeltaNet linear-attention + periodic full-attention) with a native vision tower and an MTP head.

~30 GB, so it needs two 24 GB cards (tensor-parallel 2) but leaves a comfortable KV cache. Pick this over the INT4-W4A16 build when you want the fastest prefill and have the VRAM; pick INT4 when you want the fastest decode or a single-card fit.

Quantization

  • Symmetric INT8 weights, per-output-channel, MSE observer + INT8 dynamic per-token activations (llm-compressor), calibrated on 256 × 2048-token Magicoder samples.
  • Quantized: all MLP, the full-attention self_attn, and the GatedDeltaNet out_proj.
  • Kept bf16 (quality-sensitive): GatedDeltaNet in_proj_a/in_proj_b, lm_head, embeddings, vision tower, MTP head.
  • Format: compressed-tensors (int-quantized). Full recipe: recipe.yaml.

The MTP head is included (mtp.safetensors, bf16) and is listed in quantization_config.ignore, so vLLM loads it unquantized and speculative decoding works out of the box. Quantizers silently drop this head — if you re-quantize the base yourself, graft it back or spec-decode will accept 0 %.

Evaluation

GSM8K: 96.8 % (242/250). Served with vLLM tp2 and scored over the OpenAI API — thinking enabled, the base model's recommended sampling (temperature=1.0, top_p=0.95, top_k=20), default reasoning_effort, max_tokens=24576, and the question suffixed with "Put your final numeric answer inside \boxed{}". The INT4-W4A16 build of the same model scores 96.4 % (241/250) under the identical protocol — the two are indistinguishable at this sample size, i.e. INT8 buys no measurable accuracy over INT4 here.

Also verified over the API on 2 × RTX 3090 (tp2): Chinese/English generation and translation coherent, vision path working (image input through the native VL tower), reasoning_effort and enable_thinking passthrough, and MTP speculative decoding at mean accept length ≈ 2.5 / 3.0 with K=2. MMLU-Pro has not been run.

Throughput

2 × RTX 3090, tensor-parallel 2, single stream, 16k context, prefix caching disabled, MTP K=2:

Builddecodeprefill
INT8-W8A8 (this)73 tok/s4408 tok/s
INT4-W4A1690 tok/s2276 tok/s

INT8 weights are twice the bytes of INT4, so decode — which is weight-bandwidth-bound — is slower; the INT8 activation path makes prefill much faster.

Usage (vLLM)

vllm serve Avesed/Qwen3.8-27B-INT8-W8A8 \
  --tensor-parallel-size 2 --trust-remote-code --reasoning-parser qwen3

Add --speculative-config '{"method":"mtp","num_speculative_tokens":2}' to use the MTP head.

Sampling follows the base model: thinking temperature=1.0, top_p=0.95, top_k=20; non-thinking temperature=0.7, top_p=0.80, top_k=20, presence_penalty=1.5.

Quantized with vllm-ampere-optimized/quantize.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Готовая квантизация поддерживается только для текстовых LLM (vLLM).

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
86b8427

0 моделей