/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3.5-4B
Библиотека
gguf
Опубликована
24 мая 2026

Qwen3.5-4B-Instruct-MTP-NVFP4-GGUF

Генерация текстаТекст → текст13 профессий

Квантизированная NVFP4 GGUF-сборка мультимодальной Qwen3.5-4B для диалога, генерации текста и понимания изображений.

170скачиваний за 30 дней0лайковвеса обновлены24 мая 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

FreedomAISVR/Qwen3.5-4B-Instruct-MTP-NVFP4-GGUF — квантизированная в NVFP4 версия мультимодальной инструкционной модели Qwen3.5-4B, подготовленная FreedomAISVR в формате GGUF для запуска через llama.cpp. Модель содержит около 3,97 млрд параметров, использует гибридную архитектуру Gated DeltaNet, Gated Attention и FFN, поддерживает MTP (Multi-Token Prediction) и контекст до 262 тысяч токенов. В репозитории также есть проектор изображений в F16; заявлена возможность расширения контекста до 1 млн токенов.

Модель предназначена для диалога и генерации текста по инструкциям, рассуждений и понимания изображений. Шаблон чата изменён: рассуждения выключены по умолчанию и включаются параметром enable_thinking=true. NVFP4 снижает размер весов для совместимых NVIDIA Blackwell GPU; для мультимодального ввода требуется отдельный файл проектора. Это производная модель от Qwen/Qwen3.5-4B, а не новая базовая разработка. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы и выполнение инструкций в диалоге
  • генерация и продолжение текста
  • рассуждения по задачам с включённым режимом thinking
  • описание и анализ изображений
  • локальный запуск компактной мультимодальной модели через llama.cpp

Ограничения

NVFP4-сборка ориентирована на NVIDIA Blackwell GPU; для обработки изображений нужен отдельный проектор mmproj. Рассуждения в шаблоне чата выключены по умолчанию и требуют явного включения.

Для каких профессий подходит13

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

Qwen3.5-4B Instruct — MTP NVFP4 GGUF

NVFP4 (E4M3) 4-bit quantization of Qwen/Qwen3.5-4B, Qwen's 4B-parameter instruction-tuned multimodal model with hybrid DeltaNet-Mamba2-Attention architecture and 262K token context window. Includes MTP (Multi-Token Prediction) support.

This is an Instruct variant: the embedded chat template has been modified so that thinking (<think> reasoning traces) is disabled by default. Pass enable_thinking=true during inference to enable reasoning.

About NVFP4

NVFP4 (E4M3 — 1 sign, 4 exponent, 3 mantissa) is NVIDIA's native 4-bit floating-point format for Blackwell GPUs:

FeatureNVFP4
FormatE4M3 (1:4:3)
Block size128 elements
Dynamic range15 orders of magnitude (6-bit exp)
Zero-pointImplicit (true 0)
HardwareBlackwell (RTX 50-series, B200)
Dequant costNone (native support)

Unlike INT4 formats that require zero-point restoration and have limited dynamic range, NVFP4's 6-bit exponent preserves outlier-sensitive values while achieving 4× compression vs FP16.

Files

FilenameTypeSizeDescription
qwen35-4b-mtp-nvfp4.ggufNVFP4 quantized model~2.5 GBMain model weights with MTP head
mmproj-qwen35-4b-f16.ggufF16 multimodal projector~644 MBVision encoder for image inputs

Quantization Details

AspectDetail
FormatNVFP4 (E4M3)
Block size128
Bits per weight4.92
Hardware targetNVIDIA Blackwell (RTX 5090, RTX 5060 Ti, B200, etc.)
VRAM requirement~4 GB (model + KV cache)
Source formatBF16 (original HF weights)
Quantization toolllama-quantize (commit dd7cad7, CUDA 13.2)
MTP layers1 (nextn)

Model Description

Qwen3.5-4B is Qwen's instruction-tuned model featuring:

  • 3.97B parameters (dense)
  • Hybrid architecture: Gated DeltaNet + Gated Attention + FFN layers
  • Mamba2-style SSM via DeltaNet with gating mechanism
  • 4 full attention layers at regular intervals (full_attention_interval=4)
  • 262K context length (extensible to 1M)
  • 248,320 vocabulary (GPT-2 tokenizer with Qwen3.5 pre-tokenizer)
  • Vision multimodal: image understanding via cross-attention projector
  • MTP (Multi-Token Prediction): trained with multi-step prediction for improved generation

The GGUF uses the QWEN35 architecture handler from llama.cpp with full support for all hybrid layer types.

Instruct Variant: Thinking Disabled by Default

The original Qwen3.5 chat template enables thinking by default — it outputs <think>\n at the start of every assistant response. This repository's GGUF ships with a modified chat template where the default behavior is inverted:

ScenarioBehavior
enable_thinking not set❌ Thinking off — outputs <think>\n\n</think>\n\n (empty think block)
enable_thinking=true✅ Thinking on — outputs <think>\n (reasoning trace expected)
enable_thinking=false❌ Thinking off

Usage

llama.cpp CLI

# Text-only inference (thinking off by default)
llama-cli -m qwen35-4b-mtp-nvfp4.gguf \
  -p "Explain quantum computing in simple terms" -n 512

# With thinking enabled
llama-cli -m qwen35-4b-mtp-nvfp4.gguf \
  -p "Solve this math problem step by step" -n 512

# Multimodal (image input)
llama-cli -m qwen35-4b-mtp-nvfp4.gguf \
  --mmproj mmproj-qwen35-4b-f16.gguf \
  --image path/to/image.jpg -p "Describe this image" -n 256

Download via huggingface-hub

from huggingface_hub import hf_hub_download
model_path = hf_hub_download(
    repo_id="FreedomAISVR/Qwen3.5-4B-Instruct-MTP-NVFP4-GGUF",
    filename="qwen35-4b-mtp-nvfp4.gguf",
)

Conversion Pipeline

  1. Downloaded original BF16 weights from Qwen/Qwen3.5-4B
  2. Converted to F16 GGUF with MTP tensors included
  3. Extracted vision projector as separate mmproj F16 GGUF
  4. Quantized to NVFP4 via llama-quantize.exe NVFP4
  5. Patched chat template for thinking-disabled-by-default
  6. Uploaded to HuggingFace Hub

Verification

from gguf import GGUFReader
r = GGUFReader("qwen35-4b-mtp-nvfp4.gguf")
print(f"Tensors: {len(r.tensors)}")
print(f"MTP layers: {r.fields['qwen35.nextn_predict_layers'].parts[-1]}")

Hardware

ComponentDetail
GPUNVIDIA Blackwell (RTX 5060 Ti)
CUDA Toolkit13.2
System RAM64 GB

License

Apache-2.0 (same as the original Qwen3.5-4B model).

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
e5172d2

0 моделей