/ Модель

Характеристики

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

Qwopus3.8-27B-Flash-INT4-W4A16

Изображение и текст → текст15 профессий

JC1DA/Qwopus3.8-27B-Flash-INT4-W4A16 — экспериментальная 4-битная версия модели Qwopus3.8-27B-Flash, разработанной Jackrong на основе Qwen/Qwen3.8-27B.

1 462скачиваний за 30 дней1лайквеса обновлены4 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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 ориентирована на генерацию текста, диалоговые сценарии, рассуждения, написание кода, агентские рабочие процессы, использование инструментов и function calling. Заявлена поддержка английского, китайского, испанского, русского и японского языков. В карточке также указан мультимодальный pipeline image-text-to-text и сохранённый visual encoder, однако подробности о возможностях работы с изображениями не приведены.

Квантование выполнено с помощью AutoRound 0.12.3 и GPTQ: 4 бита для весов, 16 бит для активаций, размер группы 128. Размер модели составляет около 19 ГБ вместо примерно 54 ГБ в FP16, что уменьшает объём памяти приблизительно на 65%. В FP16 сохранены проекционные матрицы linear attention во всех 64 слоях, модуль MTP и visual encoder. Модель совместима с Transformers и другими средами, поддерживающими GPTQ/AutoRound, а также предназначена для высокопроизводительного сервинга через vLLM.

Сильные стороны модели — сниженное потребление памяти, пригодность для локального запуска, длительных агентских сценариев и speculative decoding. На ARC-Easy квантованная версия показала 84,13% точности против 83,71% у FP16-версии. Ограничения включают возможный компромисс между эффективностью и точностью: в указанном наборе MMLU-Pro модель получила 91,28% против 92,73% у базовой Qwen3.8. Возможны нестабильность рассуждений, циклы и неэффективные траектории; качество применения инструментов зависит от промпта, окружения и оркестрации. Релиз обозначен как экспериментальный и предназначен для исследований, локальной оценки и технических экспериментов. Лицензия — 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

🪐 Qwopus3.8-27B-Flash (W4A16)

[!NOTE] Qwopus3.8-27B-Flash W4A16 is a 4-bit weight / 16-bit activation quantized version of Qwopus3.8-27B-Flash, using AutoRound with GPTQ group size 128. It preserves the Flash model's efficiency characteristics while reducing memory footprint.

[!TIP] W4A16 Quantization · ~65% Smaller · Same Efficiency Characteristics · FP16 Parity on ARC-Easy

📊 Benchmark Results

ARC-Easy

ModelAccuracyAcc Norm
Qwopus3.8-27B-Flash (FP16)83.71%77.06%
Qwopus3.8-27B-Flash (W4A16)84.13%78.54%

The W4A16 quantized version matches or slightly exceeds the FP16 original on ARC-Easy.

[!NOTE] Additional benchmarks (MMLU, HumanEval, BBH, WikiText2 PPL) are in progress. Results will be added to this README when complete.

💾 Quantization Details

ParameterValue
AlgorithmAutoRound + GPTQ
Weight bits4
Activation bits16
Group size128
VersionAutoRound 0.12.3

Model size: ~19GB (vs ~54GB FP16) — 65% reduction

The quantization preserves the following layers in FP16 for quality:

  • Linear attention projection matrices (in_proj_a, in_proj_b) across all 64 layers
  • MTP (Multi-Token Prediction) module
  • Visual encoder

🚀 Usage

Works with any framework supporting GPTQ/AutoRound checkpoints:

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "Jackrong/Qwopus3.8-27B-Flash-W4A16/Jackrong_Qwopus3.8-27B-Flash-w4g128"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    device_map="auto",
    torch_dtype="auto"
)

Or via vLLM for high-throughput serving:

vllm serve Jackrong/Qwopus3.8-27B-Flash-W4A16/Jackrong_Qwopus3.8-27B-Flash-w4g128 \
    --dtype auto --tensor-parallel-size 1

🎯 Recommended Use Cases

  • Local MTP speculative decoding where decoder throughput and draft acceptance matter.
  • Long-running agent workflows with repeated tool calls and iterative edits.
  • Resource-conscious workloads where wall-clock time and generated-token cost are operational constraints.
  • Memory-constrained environments where the 65% size reduction enables local deployment on smaller GPUs.

⚠️ Limitations

  • Accuracy–Efficiency Trade-off: The underlying Flash fine-tuning prioritizes practical inference efficiency. On the reported 2,500-question MMLU-Pro mixed set, Qwopus scores 91.28% versus 92.73% for the Qwen3.8 base comparison.
  • Reasoning Stability: Although the long-tail behavior is improved in the reported evaluation, edge cases may still exhibit reasoning drift, loops, or inefficient trajectories.
  • Agent Dependence: Tool-use quality and task completion remain dependent on the prompt, tool environment, orchestration layer, and feedback loop.
  • Experimental Release: This is an independent experimental release for research, local evaluation, and technical exploration.

🙏 Acknowledgements

Special thanks to:

  • Qwen for the Qwen3.8-27B base-model foundation.
  • Jackrong for the Qwopus3.8-27B-Flash fine-tuning.
  • Unsloth for practical, efficient large-model fine-tuning tooling.
  • The open-source community for training tools, evaluation methods, and technical discussion.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Готовая квантизация поддерживается только для текстовых LLM (vLLM).

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
cb5e770

0 моделей