/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3.5-35B-A3B
Опубликована
29 мар 2026

Qwen3.5-35B-A3B-RAMP-v2-15G

Генерация текстаТекст → текст14 профессий

Квантизированная в GGUF версия Qwen3.5-35B-A3B для локального диалога и генерации текста на потребительском GPU.

114скачиваний за 30 дней0лайковвеса обновлены7 апр 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

Qwen3.5-35B-A3B RAMP v2 — GGUF-квантизация модели Qwen/Qwen3.5-35B-A3B, подготовленная независимым ML-исследователем Кевином Ремондером. Это генеративная MoE-модель для диалогов; сборка оптимизирована для запуска на видеокарте RTX 5060 Ti с 16 ГБ памяти и занимает около 15,2 ГБ. В README описана схема RAMP: точность квантизации выбирается отдельно для тензоров с учётом их чувствительности, а калибровочная imatrix создавалась на англо- и франкоязычных текстах, коде и клинических данных.

Модель предназначена для локального текстового диалога и генерации, в том числе на английском, французском и китайском языках. В качестве основы использована Qwen3.5-35B-A3B; метаданные каталога указывают поддержку чата. Для запуска автор приводит инструкции с llama.cpp и рекомендует ik_llama.cpp для видеокарт sm_120. README сообщает о функциональной проверке 30 из 30 тестов, но не приводит подробных результатов бенчмарков. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • локальный чат с языковой моделью
  • генерация и продолжение текста
  • ответы на вопросы в диалоге
  • генерация программного кода
  • текстовые задачи на английском, французском и китайском

Ограничения

Качество может отличаться от исходной модели из-за низкой смешанной точности квантизации; README не приводит подробных сравнительных оценок. Оптимизация и тестирование описаны для RTX 5060 Ti 16GB, поэтому производительность на другом оборудовании может отличаться.

Для каких профессий подходит14

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

Qwen3.5-35B-A3B — RAMP v2 (15.2 GB)

Hardware-optimized GGUF quantization of Qwen3.5-35B-A3B for RTX 5060 Ti 16GB.

Produced with RAMP (RL-guided Adaptive Mixed-Precision), a data-free quantization pipeline that uses per-tensor sensitivity analysis and evolutionary search to find the optimal mixed-precision configuration for your specific hardware.

Key specs

MetricValue
Base modelQwen/Qwen3.5-35B-A3B
File size15.2 GB
Average BPW3.78
Base quant typeIQ3_S
Critical path overridesQ8_0 (SSM gates, norms), Q6_K/Q5_K (attention QKV, shared expert)
Generation speed~80 tok/s on the chimere-server HTTP path (~90 tok/s bare ik_llama-server), RTX 5060 Ti, sm_120, -ngl 99 --n-cpu-moe 4
Context32K tokens (q8_0 keys + q4_0 values KV cache)
Functional benchmark30/30
VRAM usage~14 GB (GPU) + CPU experts

What makes RAMP different

Standard quantization applies the same precision to all tensors. RAMP assigns per-tensor precision based on sensitivity analysis:

  • SSM gates and norms → Q8_0 (critical for GDN recurrent state stability)
  • Attention Q/K/V projections → Q5_K/Q6_K (quality-sensitive)
  • MoE shared expert → Q5_K (always active, high impact)
  • MoE routed experts → IQ3_S (256 experts, only 8 active per token)

This is built with a custom imatrix calibrated on French + English + code + clinical (kiné) data, not generic wiki text.

How to use

# With ik_llama.cpp (recommended for sm_120 GPUs)
./llama-server \
  -m Qwen3.5-35B-A3B-RAMP-v2-15g.gguf \
  -ngl 99 --n-cpu-moe 4 \
  -np 1 -c 32768 \
  --cache-type-k q8_0 --cache-type-v q4_0

# With stock llama.cpp
./llama-server \
  -m Qwen3.5-35B-A3B-RAMP-v2-15g.gguf \
  -ngl 99 \
  -c 32768

Quantization pipeline

  1. Start from Qwen3.5-35B-A3B BF16 (Unsloth GGUF)
  2. Custom imatrix: domain-calibrated (BFCL + MoT + Codeforces + French clinical)
  3. RAMP sensitivity analysis: per-tensor NSDS scoring (data-free)
  4. llama-quantize --imatrix chimere --custom-q with 317 tensor overrides
  5. Validation: 30/30 functional bench, perplexity check

Previous versions:

  • RAMP v1 (17 GB, Q3_K_M base, no imatrix) — backup
  • IQ3_S custom-mix (14.71 GB, 3.56 BPW) — backup

Hardware tested

  • GPU: NVIDIA RTX 5060 Ti 16GB (Blackwell, sm_120)
  • CPU: Intel i5-14600KF
  • RAM: 32GB DDR5
  • Driver: 590.48 (CUDA 12.8 toolkit)

Related

Author

Kevin Remondiere — Independent ML researcher, Bayonne, France

License

Apache 2.0 (quantization pipeline and model card). The base model follows Qwen's license.

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
6da52a7

0 моделей