/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3.6-35B-A3B
Опубликована
24 авг 2026

Qwen3.6-27B-A2.8B

Генерация текстаТекст → текст12 профессий

Уплотнённая и дообученная версия Qwen3.6-35B-A3B для локальной генерации текста и вызова инструментов на CPU или встроенной графике.

773скачиваний за 30 дней8лайковвеса обновлены24 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

Cyronius создал Qwen3.6-27B-A2.8B — производную модель Qwen3.6-35B-A3B для диалоговой генерации текста и вызова инструментов на CPU и встроенной графике. Разработчик удалил 10 из 40 слоёв базовой модели, дообучил оставшуюся модель с помощью LoRA для восстановления качества и подготовил сборки GGUF; в репозитории также указаны файлы safetensors. В модели 26,2 млрд параметров, из которых активно 2,83 млрд на токен, и 30 слоёв. В GGUF-сборках сохранена голова MTP для спекулятивного декодирования через llama.cpp.

Модель рассчитана на быстрый локальный запуск на оборудовании с общей памятью без дискретной видеокарты. Доступны сбалансированная сборка Q4_K_M и более компактная IQ3_S для экспертов с Q4_K для выходного слоя; последняя быстрее и меньше, но может уступать в точности. В тестах авторов сбалансированная сборка показала хорошие результаты на вызове инструментов, однако точность GSM8K и perplexity уступают базовой модели. Проверка проводилась на небольших внутренних наборах и может не отражать качество на других задачах. Лицензия — Apache-2.0.

Сценарии применения

  • локальные диалоги с языковой моделью
  • вызов инструментов в агентных сценариях
  • генерация текста на CPU без дискретной видеокарты
  • быстрое локальное декодирование через llama.cpp

Ограничения

Дообучение восстановило качество лишь частично: на GSM8K результаты ниже базовой модели, а компактная сборка обменивает часть точности на скорость и меньший размер. Оценка основана на небольших внутренних тестах, поэтому результаты могут не переноситься на другие задачи.

Для каких профессий подходит12

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

Qwen3.6-27B-A2.8B

Pruned, LoRA-healed, and quantized derivative of Qwen/Qwen3.6-35B-A3B, built for fast decode on shared-memory hardware (CPU/iGPU, no discrete GPU required). 10 of 40 language-model layers were removed (1 of every 3 gated-DeltaNet layers), the result was LoRA-healed to recover quality, then quantized to GGUF.

Qwen3.6-35B-A3B (base)Qwen3.6-27B-A2.8B (this model)
total params (LM core)34.7B26.2B
active params / token3.45B2.83B
layers4030

Files

Two GGUF builds, both with the multi-token-prediction (MTP) draft head retained for speculative decoding:

filesizequantnotes
qwen36-27b-a2.8b-mtp-Q4KM.gguf16.49 GBQ4_K_M, imatrixbalanced — best overall accuracy
qwen36-27b-a2.8b-mtp-iq3exp-q4head.gguf12.01 GBrouted experts → IQ3_S, lm_head → Q4_K, rest unchangedspeed-demon — smaller and faster, some accuracy cost

Both share the same imatrix and the same attention / GDN / MTP tensors; the speed-demon build only pushes the routed-expert and output-head tensors to a smaller quant.

Running it

llama.cpp / llama-server, with MTP speculative decoding enabled:

llama-server -m qwen36-27b-a2.8b-mtp-Q4KM.gguf --spec-type draft-mtp --spec-draft-n-max 2

Needs a llama.cpp build with MTP support. Default routed-expert count (k=8) is recommended — dropping it did not give a reproducible speed gain in testing (see Limitations).

Benchmarks

Tool-calling: agentic tool-use cases scored on whether the model calls the right tool with the right arguments, or correctly declines. GSM8K / MMLU: standard accuracy. Perplexity: wikitext-2 test set, 32 chunks, context 512, llama.cpp perplexity tool. Decode: ordinary generation, tokens/sec. Tool decode: generation while producing tool-call output.

modelsizetoolsGSM8KMMLUppldecodetool decode
balanced (Q4_K_M)16.49 GB.95.80.7338.0136.840.7
speed-demon (IQ3_S experts)12.01 GB.90.733.7678.2940.744.1
base Q4_K_M (Qwen3.6-35B-A3B, for reference)21.17 GB.90.933.7675.5027.827.9

Decode tok/s varied between repeat runs; treat those two columns as directional, not exact. Full result logs are in the GitHub repo's bench/results/.

Limitations

  • LoRA healing covered roughly half an epoch (18K prompts / 16M tokens). GSM8K is still behind the base model, and perplexity recovered most but not all of the way.
  • The speed-demon build trades tool accuracy and GSM8K for size and speed.
  • MTP speculative decoding is not bit-exact vs. plain decoding: a 40-case check scored 37/40 vs. 39/40 for plain decoding. Functionally equivalent, not guaranteed identical.
  • Lowering routed-expert count (k) below 8 did not give a reproducible speed benefit in testing — not recommended.
  • Evaluated on a small in-house benchmark (7 tool schemas, GSM8K/MMLU subsets); results may not generalize to other workloads.

How this model was made

Full write-up, code, and result logs: github.com/Cyronius/qwen-prune-heal-pipeline

Short version: 1-in-3 gated-DeltaNet layers were structurally removed from the 40-layer base, then a rank-32 LoRA (~33M trainable params, ~$53 of H200 time) was trained on a mix of general text, tool-use, and GSM8K-style reasoning data to heal the cut, then the result was quantized to GGUF with a calibrated imatrix.

License

Apache-2.0, inherited from the base model, Qwen/Qwen3.6-35B-A3B.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
b7b7f52

0 моделей