/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
3,7 млрд
Архитектура
qwen3 · dense
Базовая модель
Qwen3-Reranker-4B
Библиотека
transformers
Опубликована
5 авг 2026

Qwen3-Reranker-4B-FP8-Dynamic

Генерация текстаТекст → текст9 профессий

DCC-BS/Qwen3-Reranker-4B-FP8-Dynamic — это динамически квантизованная версия модели Qwen/Qwen3-Reranker-4B, разработанной командой Qwen и подготовленной DCC-BS.

1 822скачиваний за 30 дней0лайковвеса обновлены5 авг 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 переранжирования текстовых документов и пассажей: она оценивает релевантность документов запросу и может использоваться в поисковых системах, системах вопросно-ответного поиска и других конвейерах retrieval-augmented generation. Модель работает с текстовой модальностью и рассчитана на многоязычные сценарии; качество проверялось на корпусе Wikipedia в рамках MTEB для 16 языков, при этом в README приведены результаты для немецкого, английского и итальянского языков.

Квантизация выполнена в формате FP8_DYNAMIC с использованием llm-compressor: веса представлены в статическом per-channel FP8, а активации масштабируются динамически для каждого токена во время инференса. Token embeddings и lm_head оставлены в формате bfloat16, чтобы сохранить точность оценки по логитам yes/no. Размер весов уменьшен с 7,49 до 4,83 ГиБ, примерно на 35%, что позволяет высвободить видеопамять под KV-кэш и обслуживать более длинный контекст на GPU с ограниченной памятью. В примере конфигурации vLLM используется максимальная длина контекста 32768 токенов, однако README не утверждает, что это предельный контекст самой базовой модели.

По результатам проверки на WikipediaRerankingMultilingual среднее значение map_at_1000 практически не изменилось относительно версии bfloat16: 0,9674 против 0,9675, а ни один из проверенных языков не потерял более 0,0100. Модель предназначена для запуска через vLLM в формате compressed-tensors. Нативная FP8-арифметика поддерживается GPU Ada и Hopper с compute capability 8.9 и выше; на Ampere используется Marlin, при этом экономия памяти сохраняется, а скорость примерно не меняется. Лицензия в README не указана.

Для каких профессий подходит9

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-Reranker-4B-FP8-Dynamic

Qwen/Qwen3-Reranker-4B quantised to FP8 with llm-compressor, for serving with vLLM.

What was done

SchemeFP8_DYNAMIC — weights static per-channel FP8, activations dynamic per-token FP8
Calibrationnone needed; dynamic activation scales are computed at inference time
Left in bf16lm_head, and the token embeddings
Weights before7.49 GiB
Weights after4.83 GiB (35% smaller)

The score is read from the yes/no logits of the model head, which is left in bf16. Quantising it would put error directly into the number documents are ranked by.

Quality gate

WikipediaRerankingMultilingual from MTEB — reranking Wikipedia passages in 16 languages, scored by map_at_1000.

languagebf16FP8Δ
de0.96000.9594-0.0006
en0.97150.9726+0.0011
it0.97100.9702-0.0008
mean0.96750.9674-0.0001

Languages evaluated: de, en, it. Tolerance: 0.0100 map_at_1000 per language.

PASSED — no language lost more than 0.0100 map_at_1000.

Why

Serving Qwen/Qwen3-Reranker-4B in bf16 leaves little room for KV cache on a small GPU: the weights take what the cache needs, and the context length has to be cut until it fits. Halving the weights gives that memory back — the same card serves a longer context without any other change.

Serving

vllm serve DCC-BS/Qwen3-Reranker-4B-FP8-Dynamic \
  --max-model-len 32768 \
  --gpu-memory-utilization 0.85

The checkpoint is in compressed-tensors format, so vLLM detects the quantisation from config.json; no extra flag is required.

FP8 arithmetic is native on Ada and Hopper (compute capability 8.9+). On Ampere it runs through Marlin: the memory saving still applies, the speed is roughly unchanged.

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
d8c7374

0 моделей