/ Модель

Характеристики

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

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

Генерация текстаТекст → текст15 профессий

Квантованная в NVFP4 мультимодальная модель Qwen3.5-4B для диалога, генерации текста и кода, рассуждений и понимания изображений.

148скачиваний за 30 дней0лайковвеса обновлены25 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-NVFP4-GGUF — квантованная в NVFP4 версия мультимодальной инструкционной модели Qwen3.5-4B от команды Qwen компании Alibaba. Репозиторий содержит GGUF-веса текстовой модели и отдельный проектор изображений SigLIP в формате F16; для инференса автор описывает использование llama.cpp. Модель рассчитана на диалог, выполнение инструкций, генерацию текста и кода, рассуждения и понимание изображений. Поддерживает английский, китайский и другие языки; режим рассуждений по умолчанию отключён и может быть включён настройкой enable_thinking=true.

Модель имеет 4 млрд параметров, 32 слоя трансформера, гибридное внимание GQA и MLA с чередованием SSM Mamba-2, скрытую размерность 2560. Квантование NVFP4 использует около 4,74 бита на вес и ориентировано на ускорение на графических процессорах NVIDIA Blackwell; README рекомендует традиционные форматы для более старых GPU, AMD и CPU. Лицензия — Apache-2.0. Карточка не сообщает длину контекста и количественную оценку качества.

Сценарии применения

  • ответы на вопросы и диалог по инструкциям
  • генерация и редактирование кода
  • рассуждения с включённым режимом thinking
  • описание изображений и ответы на вопросы по ним
  • многоязычная генерация текста

Ограничения

Квантование NVFP4 ориентировано на NVIDIA Blackwell; для более старых GPU, AMD и CPU автор рекомендует традиционные форматы. Длина контекста и количественные показатели качества в доступных данных не указаны.

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

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

NVFP4 (NVIDIA Blackwell FP4) GGUF quantization of the Qwen3.5-4B-Instruct multimodal language model with thinking disabled by default.

About NVFP4

NVFP4 is NVIDIA's native 4-bit floating-point format (E4M3 — 1 sign, 4 exponent, 3 mantissa) designed for Blackwell GPU architectures. Key characteristics:

AspectNVFP4INT4 (e.g. Q4_K_M)
FormatFP4 (E4M3)Integer
Block sizePer-tensorBlock 32
Dynamic range~240 (wide)Fixed
Zero representationExactExact
Hardware accelerationBlackwell tensor coresCPU / any GPU
Dequantization overheadNone (native)Required

When to use NVFP4: You are running on an NVIDIA Blackwell GPU (RTX 5060, 5070, 5080, 5090, B100, B200, etc.) and want maximum performance with native 4-bit tensor core acceleration.

When to use a traditional format (Q4_K_M, Q5_K_M, etc.): You are running on pre-Blackwell hardware (Ampere, Ada Lovelace, Hopper), AMD GPUs, or CPU inference.

Files

FileTypeSizeDescription
qwen35-4b-instruct-nvfp4.ggufText model2.54 GBQwen3.5-4B-Instruct text model, NVFP4 quantized
mmproj-qwen35-4b-f16.ggufVision encoder0.67 GBMultimodal projector (SigLIP ViT), F16

Quantization Details

ParameterValue
Quantization formatNVFP4 (E4M3)
Block sizePer-tensor
Bits per weight~4.74
Hardware targetNVIDIA Blackwell (RTX 5000 series, B-series)
VRAM requirement~3 GB (text) + ~0.7 GB (vision)

Model Description

Qwen3.5-4B-Instruct is a 4 billion-parameter multimodal language model from the Qwen team at Alibaba. It supports:

  • Text generation with instruction following
  • Image understanding (multimodal via SigLIP vision encoder)
  • Code generation and reasoning
  • Multilingual support (English, Chinese, and more)
  • 32 transformer layers, 2560 hidden dimension, GQA + MLA hybrid attention with SSM (Mamba-2) interleaving

Usage

Thinking Control

By default, thinking is disabled. To enable reasoning, set enable_thinking=true:

# llama.cpp CLI
./llama-cli -m qwen35-4b-instruct-nvfp4.gguf \
  --mmproj mmproj-qwen35-4b-f16.gguf \
  --chat-template tokenizer.chat_template \
  -p "What is 2+2?" \
  -n 256

# Enable thinking:
./llama-cli -m qwen35-4b-instruct-nvfp4.gguf \
  --mmproj mmproj-qwen35-4b-f16.gguf \
  -p "<|im_start|>system\nenable_thinking=true<|im_end|>\n<|im_start|>user\nWhat is 2+2?<|im_end|>\n<|im_start|>assistant\n" \
  -n 512

llama-cpp-python

from llama_cpp import Llama

llm = Llama(
    model_path="qwen35-4b-instruct-nvfp4.gguf",
    mmproj="mmproj-qwen35-4b-f16.gguf",
    n_ctx=32768,
    chat_format="qwen3",
)

# Without thinking (default):
response = llm.create_chat_completion(
    messages=[{"role": "user", "content": "Hello!"}],
)

# With thinking enabled:
response = llm.create_chat_completion(
    messages=[
        {"role": "system", "content": "enable_thinking=true"},
        {"role": "user", "content": "Solve this step by step."},
    ],
)

Download

huggingface-cli download FreedomAISVR/Qwen3.5-4B-Instruct-NVFP4-GGUF \
  --include "*.gguf" \
  --local-dir .

Conversion Pipeline

1. Download original model: Qwen/Qwen3.5-4B-Instruct
2. Convert to F16 GGUF (text):   convert_hf_to_gguf.py --outtype f16 --no-mtp
3. Extract mmproj (vision):      convert_hf_to_gguf.py --mmproj --outtype f16
4. Quantize to NVFP4:            llama-quantize.exe text-f16.gguf output-nvfp4.gguf NVFP4
5. Patch chat template:          Disable thinking by default (enable_thinking opt-in)

Hardware

ComponentSpecification
GPUNVIDIA RTX 5060 Ti (Blackwell)
VRAM16 GB GDDR7
System RAM32 GB
Quantization time~1 min (4B)

License

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

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
dd2454b

0 моделей