/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
gguf
Опубликована
22 мая 2026

Nemotron-3-30B-Nano-Omni-MXFP4-MOE-GGUF

Генерация текстаТекст → текст15 профессий

Квантованная сборка Nemotron-3-Nano-Omni от NVIDIA в формате GGUF для генерации текста и диалогов с длинным контекстом.

113скачиваний за 30 дней0лайковвеса обновлены18 июн 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

Это квантованная сборка модели NVIDIA Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16, подготовленная FreedomAISVR в формате GGUF. Она предназначена для генерации текста и диалогов, включая задачи рассуждения. Архитектура сочетает Mamba2 и Transformer и использует MoE: из 128 экспертов для каждого токена выбираются шесть. Всего в модели около 30 млрд параметров, из которых активно около 3 млрд; контекст — до 262 тыс. токенов.

Веса экспертов хранятся в MXFP4, плотные веса — в Q8_0, а тензоры Mamba2 — в F16 для совместимости с CUDA-ядрами SSM. В репозитории также есть F16-проектор SigLIP для обработки изображений. Для полноценного запуска требуется среда с поддержкой GGUF и мультимодального проектора, например llama.cpp.

Гибридный формат экономит память, однако операции Mamba2 на CUDA могут переходить на CPU, что снижает скорость. README не уточняет лицензию производной сборки; метаданные указывают лицензию «other», поэтому условия следует сверить с карточкой модели и условиями базовой модели.

Сценарии применения

  • генерация ответов в диалоговом интерфейсе
  • решение задач с пошаговым рассуждением
  • локальный запуск языковой модели через llama.cpp
  • обработка длинных текстовых запросов

Ограничения

CUDA-ядра Mamba2 требуют F32, поэтому часть операций может выполняться на CPU и заметно замедлять работу. Для использования изображений необходим мультимодальный проектор; условия лицензии производной сборки требуют проверки.

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

Nemotron-3-30B-Nano-Omni MXFP4 MoE GGUF

MXFP4 MoE quantization of nvidia/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16, NVIDIA's 30B MoE (~3B active) reasoning model with Mamba2-SSM hybrid architecture.

Why Is This File Bigger Than Expected?

This model uses a Mamba2-Transformer hybrid MoE architecture — 23 out of 52 layers are Mamba2 state-space model (SSM) layers. The CUDA kernels that run Mamba2 SSM operations (SSM_SCAN, SSM_CONV) require F32 inputs and will reject quantized weight tensors entirely.

When SSM weight tensors are quantized, the CUDA backend falls back to CPU for those layers. Since 44% of the model is Mamba2, this significantly impacts performance.

The Workaround (Hybrid Quantization)

The 46 SSM weight tensors (ssm_in.weight, ssm_out.weight across 23 Mamba2 blocks) are stored in F16 instead of the quantized format. Everything else stays at the original quantization.

This Is a Bandaid, Not a Fix

This hybrid approach is a temporary workaround until llama.cpp adds quantized support to CUDA SSM kernels (SSM_SCAN, SSM_CONV). The kernels are currently hardcoded to F32 (ssm_conv_f32, ssm_scan_f32 in the CUDA backend).

Files

FilenameTypeSizeDescription
nemotron-3-30b-MXFP4_MOE.ggufHybrid MXFP4+F16~17.9 GBMain model weights (~4.76 BPW effective)
mmproj-nemotron-3-30b-f16.ggufF16~1.5 GBSigLIP vision encoder

Quantization Details

MXFP4 MoE (Hybrid)

  • MoE expert weights: MXFP4 (routed + shared experts)
  • Dense non-expert weights: Q8_0 (attention, norms, router)
  • SSM weight tensors: F16 (CUDA SSM kernel compatibility)
  • Bias/norm tensors: F32

This is the recommended format for this model — MoE-aware routing processes only 6 experts per token instead of all 128.

Architecture

  • 52 layers: 23 Mamba2 (SSM) + 23 MoE FFN (128 experts, top-6) + 6 attention
  • MoE: 128 routed experts + 1 shared expert, top-6 routing
  • Vision: SigLIP ViT (30 blocks, 1280 hidden)
  • Context: 262K tokens

Usage

llama-server -m nemotron-3-30b-MXFP4_MOE.gguf --mmproj mmproj-nemotron-3-30b-f16.gguf --host 0.0.0.0 --port 8080 -ngl 99

Credits

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
9e23a26

0 моделей