/ Модель

Характеристики

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

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

Генерация текстаТекст → текст12 профессий

Квантованная в NVFP4 сборка Qwen3.5-4B с поддержкой MTP для ускоренной генерации текста и работы с изображениями на GPU NVIDIA Blackwell.

96скачиваний 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-MTP-NVFP4-GGUF — квантизированная сборка мультимодальной модели Qwen3.5-4B, разработанной командой Qwen компании Alibaba. Репозиторий содержит веса GGUF в формате NVFP4 и проектор изображений SigLIP ViT в F16; заявлена поддержка Multi-Token Prediction (MTP), предсказывающей два токена за шаг генерации. Сборка рассчитана прежде всего на ускоренный запуск на видеокартах NVIDIA Blackwell и предназначена для использования через llama.cpp и совместимые инструменты.

Модель подходит для генерации текста и диалога, а с мультимодальным проектором — для обработки изображений вместе с текстовым запросом. README указывает контекстное окно 262 144 токена, мультиязычность и режим рассуждения, включённый по умолчанию. В архитектуре базовой модели описаны гибридные слои Attention и Mamba-2, MLA и 3D MRoPE. NVFP4 может ускорить инференс на Blackwell; заявленное увеличение пропускной способности MTP до 30–40% приведено автором репозитория и не является независимым бенчмарком.

Лицензия — Apache-2.0. Формат NVFP4 ориентирован на GPU Blackwell; для более старых видеокарт и CPU автор рекомендует другие варианты квантования. Это производный квантованный артефакт, а не отдельное дообучение базовой модели.

Сценарии применения

  • генерация ответов и диалогов локально
  • ответы на вопросы по изображениям
  • анализ изображений по текстовому запросу
  • ускоренный локальный инференс на видеокартах Blackwell

Ограничения

Формат NVFP4 ориентирован на GPU NVIDIA Blackwell и может быть неподходящим для CPU и видеокарт предыдущих поколений. Прирост скорости от MTP указан автором репозитория; независимые результаты оценки не приведены.

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

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

NVFP4 (NVIDIA Blackwell FP4) GGUF quantization of Qwen/Qwen3.5-4B with Multi-Token Prediction (MTP) support.

Thinking is enabled by default. You may disable it by passing enable_thinking=false in the generation parameters. This matches the original model's behavior.

About NVFP4

NVFP4 is NVIDIA's native 4-bit floating-point format (E4M3) designed for Blackwell architecture GPUs (RTX 5000 series). It offers several advantages over traditional integer quantization formats:

FeatureNVFP4 (E4M3)INT4 (Q4_K_M, etc.)
Block size16 elements32 elements
Dynamic range±448±7
Hardware accelerationBlackwell Tensor CoresCPU/CUDA cores
Dequantization overheadNone (native)Required
BPW~4.5-4.8~4.5

When to use NVFP4:

  • You have an RTX 5060/5070/5080/5090 (Blackwell GPU)
  • You want optimal inference speed with native FP4 tensor cores
  • You need the best quality-per-bit among 4-bit formats

When to use other formats:

  • Pre-Blackwell GPUs: Use Q4_K_M or Q4_0
  • CPU inference: Use Q4_K_M or Q5_K_M
  • Maximum quality: Use Q6_K or Q8_0

With MTP enabled, the model predicts 2 tokens per inference step (1 base + 1 predicted), increasing throughput by up to 30-40% for text generation while maintaining quality.

Files

FilenameTypeSizeDescription
qwen35-4b-mtp-nvfp4.ggufModel2.48 GBNVFP4 quantized text model with MTP
mmproj-qwen35-4b-f16.ggufVision encoder672 MBMultimodal projector (SigLIP ViT, F16)

Quantization Details

PropertyValue
FormatNVFP4 (E4M3)
Block size16
BPW4.81
HW targetNVIDIA Blackwell (RTX 5000 series)
VRAM required~3 GB (with mmproj)
MTP heads1 (nextn_predict_layers=1)
ThinkingEnabled by default (opt-out via enable_thinking=false)

Model Description

Qwen3.5-4B is a multilingual multimodal model from the Qwen team at Alibaba, featuring:

  • 2560-dimensional hidden states
  • 9216-dimensional feed-forward layers
  • 32 base transformer layers + 1 MTP head (33 total blocks)
  • Multi-Head Latent Attention (MLA) with per-head KV norms
  • Hybrid architecture: Attention + SSM (Mamba-2) layers
  • 262,144 token context window
  • 3D MRoPE (Multi-modal Rotary Position Embedding)
  • Built-in vision encoder (SigLIP ViT)

Usage

llama.cpp CLI (text-only)

./llama-cli -m qwen35-4b-mtp-nvfp4.gguf \
  -p "Hello, how are you?" \
  -n 256

llama.cpp CLI (multimodal — with vision)

./llama-cli -m qwen35-4b-mtp-nvfp4.gguf \
  --mmproj mmproj-qwen35-4b-f16.gguf \
  --image photo.jpg \
  -p "Describe this image" \
  -n 256

llama-cpp-python

from llama_cpp import Llama

llm = Llama(
    model_path="qwen35-4b-mtp-nvfp4.gguf",
    n_ctx=32768,
    n_gpu_layers=-1,  # Full GPU offload
)

output = llm.create_chat_completion(
    messages=[{"role": "user", "content": "Hello!"}],
    max_tokens=256,
)
print(output["choices"][0]["message"]["content"])

Download from HuggingFace Hub

huggingface-cli download FreedomAISVR/Qwen3.5-4B-MTP-NVFP4-GGUF \
  qwen35-4b-mtp-nvfp4.gguf \
  --local-dir . --local-dir-use-symlinks False

# Also download mmproj for vision support:
huggingface-cli download FreedomAISVR/Qwen3.5-4B-MTP-NVFP4-GGUF \
  mmproj-qwen35-4b-f16.gguf \
  --local-dir . --local-dir-use-symlinks False

Conversion Pipeline

# 1. Download source model
huggingface-cli download Qwen/Qwen3.5-4B --local-dir ./qwen35-4b-src

# 2. Convert to F16 GGUF (MTP auto-included)
python convert_hf_to_gguf.py ./qwen35-4b-src \
  --outfile qwen35-4b-f16.gguf --outtype f16

# 3. Extract vision encoder mmproj
python convert_hf_to_gguf.py ./qwen35-4b-src \
  --mmproj --outfile mmproj-qwen35-4b-f16.gguf --outtype f16

# 4. Quantize to NVFP4
./llama-quantize qwen35-4b-f16.gguf \
  qwen35-4b-mtp-nvfp4.gguf NVFP4

Hardware

ComponentSpecification
GPURTX 5060 Ti 16GB (Blackwell)
VRAM16 GB GDDR7
System RAM64 GB
OSWindows 11

License

This quantization is distributed under Apache 2.0. The original Qwen3.5-4B model is released under Apache 2.0 by Qwen (Alibaba Group).

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
40d7da0

0 моделей