/ Модель

Характеристики

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

Qwen3.6-35B-A3B-NVFP4-NoMTP-GGUF

Генерация текстаТекст → текст11 профессий

Квантизированная сборка MoE-модели Qwen3.6-35B-A3B в формате GGUF для локальной многоязычной генерации текста и диалогов на совместимых видеокартах NVIDIA.

144скачиваний за 30 дней2лайкавеса 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-NVFP4-NoMTP-GGUF — пользовательская квантизированная сборка базовой модели Qwen3.6-35B-A3B от команды Alibaba Qwen в формате GGUF для генерации текста и диалогов. Это MoE-модель с 35 млрд параметров и примерно 3 млрд активных параметров на токен; сборка использует NVIDIA FP4 с эффективной точностью 4,55 бита на вес и удалёнными головами Multi-Token Prediction. Заявлена поддержка контекста до 131 тыс. токенов и многоязычных задач более чем на 100 языках.

Сборка предназначена для локального запуска через llama.cpp на NVIDIA Blackwell, включая видеокарты RTX 50-й серии. В README приведены настройки для GPU с 16 ГБ видеопамяти: эксперты MoE размещаются в системной памяти с помощью --cpu-moe, а внимание остаётся на GPU. Удаление MTP-голов освобождает видеопамять для KV-кэша и весов экспертов. Базовая модель поддерживает использование инструментов; карточка этой сборки подтверждает чат-возможности.

Модель подходит для локальных чат-ассистентов и генерации текста на многих языках. Ограничения: заявленный формат NVFP4 нацелен на GPU NVIDIA Blackwell и требует совместимых CUDA-ядер; веса занимают около 19,7 ГБ, поэтому 16-гигабайтной видеокарте требуется выгрузка экспертов в оперативную память. Лицензия базовой модели — Apache 2.0; отдельные условия лицензии этой сборки в предоставленных данных не описаны.

Сценарии применения

  • локальный чат-ассистент на компьютере с видеокартой NVIDIA
  • генерация и продолжение текста на разных языках
  • ответы на вопросы в многоязычном диалоге
  • запуск большой MoE-модели на GPU с ограниченной видеопамятью через выгрузку экспертов в RAM

Ограничения

Для NVFP4 требуются совместимые CUDA-ядра и видеокарта NVIDIA Blackwell; веса объёмом около 19,7 ГБ превышают 16 ГБ видеопамяти и требуют выгрузки экспертов в системную память. На 16-гигабайтных картах скорость зависит от пропускной способности системной памяти и настроек KV-кэша.

Для каких профессий подходит11

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 NVFP4 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. However, on MoE models like this one, 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 the KV cache and expert weights, resulting in better performance on 16GB cards.

Quantization

  • Format: NVIDIA FP4 (NVFP4) — 4-bit E2M1 values with E4M3 scaling per 16 values + FP32 tensor scale
  • BPW: 4.55 bits per weight
  • Size: 19.7 GB
  • Target hardware: NVIDIA Blackwell GPUs (RTX 50 series) — requires CUDA kernels at inference

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

llama-cli -m qwen3.6-35b-a3b-nvfp4-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 processing22.9 t/s
Token generation29.1 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-nvfp4-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-nvfp4-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
  • --flash-attn on recommended for memory efficiency at long context

Notes

  • Q8_0 KV cache recommended for quality — Q4_0 saves ~3 GB VRAM but loses precision
  • Model uses --cpu-moe because NVFP4 weights (~19.7 GB) exceed 16GB VRAM; experts stream from RAM at ~611 MB per token
  • For MXFP4_MoE variant (expert weights MXFP4, non-expert Q8_0), see MXFP4_MoE 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
678da05

0 моделей