/ Модель

Характеристики

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

Qwen3.8-27B-MTP-W4A16-VOLTA-Ampere

Генерация текстаТекст → текст15 профессий

Israeli-AI/Qwen3.8-27B-MTP-W4A16-VOLTA-Ampere — квантованная версия Qwen/Qwen3.8-27B, подготовленная командой Israeli-AI.

283скачиваний за 30 дней2лайкавеса обновлены1 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

Это текстогенерационная thinking-модель с поддержкой native MTP speculative decoding. Основной сценарий — запуск и обслуживание на GPU, включая Volta V100, где официальная FP8-версия не работает, а также на Ampere и более новых архитектурах. Заявлена поддержка английского языка; мультимодальные возможности сохранены, но на Volta проверялся только текстовый режим.

Модель использует квантование INT4 W4A16 с симметричной схемой и group size 128 для значительной части self-attention и MLP-проекций. Размер BF16-варианта 51,7 ГБ сокращён до 25,8 ГБ, благодаря чему модель может работать на двух V100 по 32 ГБ с tensor parallelism и контекстом до 256K; в измерениях обслуживался контекст 131 072 токена. MTP-head, vision tower, embeddings, lm_head, нормы и компоненты Gated-DeltaNet сохранены в полной точности. На двух V100 заявлена скорость декодирования 43–68 токенов в секунду, обычно около 53,5, при трёх speculative-токенах.

Сильные стороны модели — совместимость с устаревшими Volta GPU, уменьшенный объём памяти и сохранённая эффективность MTP-декодирования за счёт нетронутой MTP-head. Ограничения включают необходимость специальной Volta-совместимой сборки vLLM и настройки окружения, отсутствие проверки мультимодальной работы на Volta, а также неподтверждённую в README работу на Ampere и новее. Модель распространяется по лицензии Apache-2.0.

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-MTP-W4A16-VOLTA-Ampere

INT4 (W4A16) quantization of Qwen/Qwen3.8-27B built specifically so the model runs on pre-Hopper GPUs — including Volta (V100, sm_70), which cannot run the official FP8 release — with the model's native MTP speculative-decoding head fully intact and working.

51.7 GB BF16 → 25.8 GB. Fits and serves on 2× V100 32GB (TP2) with 256K full context, and on any Ampere+ GPU via stock vLLM compressed-tensors kernels.

Measured (2× V100 SXM2 32GB, TP2, fp8_e5m2 KV, CUDA graphs on)

metricvalue
decode, MTP spec-decode (3 draft tokens)43–68 tok/s (53.5 typical)
MTP mean acceptance length2.2–2.8 of 4
context served131,072 (256K native; hybrid-GDN KV is tiny)

What is quantized (and what deliberately is not)

Quantized to INT4, symmetric, group_size 128, compressed-tensors pack-quantized (RTN):

  • text-decoder self_attn.{q,k,v,o}_proj (the 16 full-attention blocks)
  • text-decoder mlp.{gate,up,down}_proj (all 64 layers)

Kept in full precision (BF16/FP16):

  • the entire MTP head (mtp.*) — this is what keeps native speculative decoding working. (We A/B'd against a calibrated AWQ+GPTQ community quant of the same model: it loads fine but its MTP acceptance collapses to ~1.0 — drafts always rejected — cutting speed by ~3×. Plain symmetric RTN with an untouched MTP head wins end-to-end.)
  • all hybrid linear-attention / Gated-DeltaNet tensors (linear_attn.in_proj_*, out_proj, conv1d, A_log, dt_bias)
  • the vision tower (visual.*), embeddings, lm_head, all norms

Symmetric-only on purpose: asymmetric INT4 has no kernel on the sm_70 path; symmetric group-128 runs everywhere from Volta to Blackwell.

Serving

Volta (V100) — tested

Stock vLLM wheels drop sm_70; use a Volta-capable vLLM build (e.g. the 1Cat-vLLM fork). Key environment:

export VLLM_SM70_QUANT_BACKEND=turbomind
export VLLM_SM70_COMPRESSED_TENSORS_TURBOMIND=1
export NCCL_P2P_DISABLE=1
export PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True

vllm serve Israeli-AI/Qwen3.8-27B-MTP-W4A16-VOLTA-Ampere \
  --dtype float16 --trust-remote-code \
  --tensor-parallel-size 2 --disable-custom-all-reduce \
  --gpu-memory-utilization 0.85 \
  --max-model-len 131072 --max-num-seqs 4 \
  --kv-cache-dtype fp8_e5m2 \
  --attention-backend FLASH_ATTN_V100 \
  --compilation-config '{"cudagraph_mode":"piecewise","cudagraph_capture_sizes":[1,2,4]}' \
  --enable-prefix-caching \
  --speculative-config '{"method":"mtp","num_speculative_tokens":3}' \
  --reasoning-parser qwen3

The exact serve script used for the numbers above ships in this repo (serve-qwen38-27b.sh), along with the quantization script (quant-qwen38.py).

Ampere and newer — should work, untested

Mainline vLLM reads compressed-tensors W4A16 natively (Marlin/CT kernels); drop the VLLM_SM70_* variables and the V100 attention backend. Reports welcome.

Usage notes

  • Qwen3.8 is a thinking model. For direct answers send "chat_template_kwargs": {"enable_thinking": false} in the request.
  • The vision tower is preserved at full precision but multimodal serving was not tested on the Volta path; text-only is verified.
  • quantization_config.ignore uses broad regex patterns (re:.*visual.* etc.) on purpose: vLLM matches ignore rules against its internal module paths, which drop the model.language_model. prefixes — narrow patterns cause assert input_size_per_partition % group_size == 0 failures at load.

Recipe

Data-free RTN, symmetric int4, group 128, packed with compressed_tensors.pack_to_int32. 256 projections quantized, everything else copied through. No calibration set — at this size and group width, temp-0 outputs were indistinguishable from a calibrated AWQ+GPTQ variant in our tests, and the untouched MTP head decisively outperforms it.

Quantized and served by the Israeli-AI homelab stack. Same lineage as DeepSeek-v4-flash-180b-W4A16-VOLTA-Ampere.

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
b509b4d

0 моделей