/ Модель

Характеристики

Базовая модель
Qwen3.6-35B-A3B
Опубликована
5 сен 2026

Qwen3.6-35B-A3B-MXFP4-MOE-NoMTP-GGUF

Генерация текстаТекст → текст15 профессий

Квантизированная GGUF-сборка Qwen3.6-35B-A3B для диалоговой генерации текста с длинным контекстом и использованием инструментов.

192скачиваний за 30 дней0лайковвеса обновлены6 сен 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/Qwen3.6-35B-A3B-MXFP4-MOE-NoMTP-GGUF — квантизированная сборка базовой модели Qwen3.6-35B-A3B от команды Alibaba Qwen. Это модель Mixture-of-Experts с 35 млрд параметров и примерно 3 млрд активных параметров на токен; сборка в формате GGUF удаляет головы Multi-Token Prediction и использует MXFP4 для экспертных весов и Q8_0 для остальных тензоров. Размер файла — около 19,8 ГБ.

Модель предназначена для генерации текста и диалогов, включая сценарии с длинным контекстом, использованием инструментов и многоязычными запросами. В README заявлены контекст до 131 тыс. токенов и поддержка более 100 языков; метаданные перечисляют 19 языков, в том числе русский, английский и китайский. В проверенной конфигурации с llama.cpp указаны RTX 5060 Ti с 16 ГБ VRAM и флаг --cpu-moe, который размещает экспертные веса в системной памяти.

Квантизация снижает требования к видеопамяти, сохраняя более высокую точность для постоянно используемых неэкспертных тензоров. Для работы нужны llama.cpp с поддержкой CUDA и совместимое оборудование; производительность зависит от аппаратной конфигурации. Базовая модель распространяется по лицензии Apache 2.0; отдельная лицензия производной сборки в предоставленных данных не указана.

Сценарии применения

  • диалоговые ответы на вопросы
  • генерация и продолжение текста
  • работа с длинными документами в контексте до 131 тыс. токенов
  • многоязычные запросы, включая русский
  • вызов инструментов в диалоговых сценариях

Ограничения

Для запуска требуется llama.cpp с поддержкой CUDA; в описанной конфигурации необходим флаг --cpu-moe и не менее 16 ГБ VRAM, при этом экспертные веса используют системную память. Сведения о лицензии именно этой производной сборки отсутствуют; Apache 2.0 указана для базовой модели.

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

Qwen3.6-35B-A3B MXFP4_MoE No-MTP GGUF

Base Model

Qwen3.6-35B-A3B by Alibaba Qwen Team — a 35B-parameter Mixture-of-Experts (MoE) model with only 3B active parameters per token. Apache 2.0 licensed. Supports 131K+ context, tool use, and multilingual tasks across 100+ languages.

Why No MTP?

Qwen3.6-35B-A3B ships with Multi-Token Prediction (MTP) heads for speculative decoding. On MoE models, MTP heads waste ~1-2 GB of VRAM with no measurable speed benefit — the bottleneck is expert routing through system RAM (when using --cpu-moe), not draft token verification. This build strips the MTP heads with --no-mtp to reclaim that VRAM for expert weights and KV cache, resulting in better performance on 16GB cards.

Quantization

  • Format: MXFP4_MoE — OCP microscaled FP4 (E2M1 values with E8M0 power-of-two scaling per 32 values) for routed expert weights; Q8_0 for all non-expert tensors (attention, embeddings, shared FFN, norms)
  • BPW: 4.57 bits per weight
  • Size: 19.8 GB
  • Portable: MXFP4 works on any hardware with FP4 support (not Blackwell-only like NVFP4)

Tested Settings (llama.cpp build 1324+, RTX 5060 Ti 16GB)

llama-cli -m qwen3.6-35b-a3b-mxfp4-moe-nomtp.gguf \
  -ngl 99 --cpu-moe \
  --ctx-size 131072 \
  --flash-attn on \
  --cache-type-k q8_0 --cache-type-v q8_0 \
  -t 8 --temp 0.7 --top-k 20 --top-p 0.95

Performance Results

MetricResult
Prompt processing23.7 t/s
Token generation30.3 t/s
Context128K
KV CacheQ8_0
Test prompt"Tell me about superposition and quantum computing"
Output qualityCoherent, thorough, no hallucination, no repetition

Usage

llama.cpp CLI (text generation)

llama-cli -m qwen3.6-35b-a3b-mxfp4-moe-nomtp.gguf   -ngl 99 --cpu-moe   -c 131072   --flash-attn on   --cache-type-k q8_0 --cache-type-v q8_0   -p "Your prompt here"

llama.cpp Server (API)

llama-server -m qwen3.6-35b-a3b-mxfp4-moe-nomtp.gguf   -ngl 99 --cpu-moe   -c 131072   --flash-attn on   --cache-type-k q8_0 --cache-type-v q8_0   --host 0.0.0.0 --port 8080

Requirements

  • llama.cpp build 700+ with CUDA support
  • NVIDIA GPU with 16GB+ VRAM (tested on RTX 5060 Ti 16GB)
  • --cpu-moe flag required — routes MoE expert weights to system RAM while keeping attention on GPU
  • --allow-requantize used during quantization for mixed-precision output
  • --flash-attn on recommended for memory efficiency at long context

Notes

  • MXFP4_MoE keeps expert weights at MXFP4 while non-expert tensors (attention, shared FFN, embeddings) stay at higher Q8_0 precision — better quality on always-active parameters
  • Model uses --cpu-moe because total weights (~19.8 GB) exceed 16GB VRAM; experts stream from RAM
  • Slightly faster than NVFP4 variant (30.3 vs 29.1 t/s gen) due to better MXFP4 decode paths on Blackwell
  • For NVFP4 variant (all weights NVFP4, Blackwell-only), see NVFP4 repo

License

Apache 2.0 (inherited from base model)

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
55a87e8

0 моделей