/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
18,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-27B
Опубликована
16 авг 2026

Qwen3.8-27B-int4-AutoRound

Изображение и текст → текст15 профессий

Frozenlock/Qwen3.8-27B-int4-AutoRound — это мультимодальная квантованная версия базовой модели Qwen/Qwen3.8-27B, подготовленная пользователем или организацией Frozenlock.

21 907скачиваний за 30 дней26лайковвеса обновлены16 авг 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 «Изображение → 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

Модель распространяется по лицензии Apache-2.0 и предназначена для запуска и обслуживания через vLLM, включая сценарии генерации текста, работы с изображениями и инструментами.

Модель использует квантование INT4 по схеме W4A16 с размером группы 128 и симметричным представлением, выполненное с помощью AutoRound 0.14.2 и упаковки auto_gptq. Квантованы основные языковые блоки и слои MTP, тогда как 96 тензоров GDN-линейного внимания in_proj_a и in_proj_b, а также vision tower и эмбеддинги сохранены в bf16. Размер весов составляет около 18 ГБ. Поддерживаются мультимодальные входные данные, вызов инструментов и спекулятивное декодирование MTP; заявленный нативный контекст — 262 144 токена, а базовая модель поддерживает расширение YaRN до 1 миллиона токенов.

Ключевое преимущество сборки — совместимость квантованной MTP-головы со спекулятивным декодированием в vLLM, что в измерениях README почти удваивало скорость декодирования, хотя коэффициент принятия черновых токенов зависит от типа текста и составлял примерно 41–67%. Компактные веса также позволяют оставить больше памяти под KV-кэш, однако для эффективной работы требуются совместимые версии vLLM и Marlin W4A16, а мультимодальность, поддерживаемые языки и точные показатели качества отдельно не описаны. Производительность зависит от GPU, настроек KV-кэша, длины контекста и режима tensor parallelism.

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

Qwen3.8-27B-int4-AutoRound

INT4 (W4A16) AutoRound quantization of Qwen/Qwen3.8-27B — 18 GB, with the MTP speculative-decoding head quantized and working.

The MTP head is quantized along with the model, so --speculative-config in vLLM works out of the box and roughly doubles decode throughput (measured +98 % on temp-0 prose vs the same GPU without MTP; draft acceptance 41–67 % depending on content).

Why another int4?

At the time of upload, the available 4-bit options either dropped the MTP tensors (no speculative decoding) or kept hundreds of tensors in bf16 (28 GB — no longer fits a 24–32 GB GPU next to a useful KV cache). This one follows the recipe that served Qwen3.6-27B in production for months:

  • W4A16, group size 128, symmetric, auto_round:auto_gptq packing (AutoRound 0.14.2, default tuning)
  • Quantized blocks: model.language_model.layers and mtp.layers
  • The 96 GDN linear-attention in_proj_a / in_proj_b tensors are kept bf16 (quantizing them hurts the hybrid-attention path far more than it saves)
  • Vision tower and embeddings untouched (bf16) — multimodal input still works

Measured (vLLM 0.22/0.23)

SetupResult
Weights in VRAM~18.0 GiB (TP1) / 9.1 GiB per rank (TP2)
RTX 5090 @ 400 W cap, TP1, fp8 KV, 215K ctxprefill ~2,580 tok/s (74K cold doc), decode 124 tok/s with MTP n=3 / 59 without
2× RTX 3090 @ 200 W cap each, TP2, fp8 KV, 262K ctx2.22× concurrency at full 262,144 ctx; decode ~73 tok/s with MTP
MTP draft acceptance41–46 % (prose) · ~67 % (mixed) · higher on code/predictable text
Tool callingworks with --tool-call-parser qwen3_coder + --enable-auto-tool-choice

Serving example

vllm serve Frozenlock/Qwen3.8-27B-int4-AutoRound \
  --quantization auto_round \
  --max-model-len 215000 \
  --kv-cache-dtype fp8 \
  --enable-prefix-caching \
  --reasoning-parser qwen3 \
  --enable-auto-tool-choice --tool-call-parser qwen3_coder \
  --speculative-config '{"method":"mtp","num_speculative_tokens":3}'

Context is 262,144 native (fits on 2×24 GB at TP2 with fp8 KV; on a single 32 GB card ~215K leaves KV headroom). The base model supports YaRN extension to 1M — see the Qwen3.8-27B card for the rope_parameters block; budget ~35 KB of KV per token (fp8) when sizing.

reasoning_effort (none/low/medium/xhigh) works as in the base model. Note that sending chat_template_kwargs {"enable_thinking": false} makes the template silently ignore reasoning_effort — use one knob or the other.

Notes

  • All speeds above were measured on power-capped GPUs (5090 at 400 W of a 600 W stock limit; 3090s at 200 W of 350 W stock). Stock power limits should do the same or better — the 3090 decode figures in particular leave headroom.
  • Calibration: AutoRound default dataset/iters, batch 4 × grad-accum 2, on 4× RTX 3090.
  • On Ampere/Blackwell the weights run through the Marlin W4A16 kernels; prefill speed is unchanged vs 8-bit (compute-bound), decode gains come from smaller weight reads, and the big win vs FP8/NVFP4 is the KV-cache room the smaller weights leave.
  • Quantized with intel/auto-round 0.14.2.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
b4c6173

0 моделей