/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
18,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-27B
Библиотека
vllm
Опубликована
15 авг 2026

Qwen3.8-27B-W4A16-AutoRound

Изображение и текст → текст15 профессий

MIRALABS/Qwen3.8-27B-W4A16-AutoRound — 4-битная квантованная версия модели Qwen/Qwen3.8-27B, разработанная MIRALABS на основе базовой модели Qwen.

1 692скачиваний за 30 дней2лайкавеса обновлены15 авг 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 предназначена для генерации текста и обработки изображений с текстом; заявлены английский и китайский языки. Поддерживает рассуждения, вызов инструментов и работу в режиме image-text-to-text.

Модель использует INT4-квантизацию весов при BF16-активациях (W4A16), алгоритм AutoRound 0.14.2 с размером группы 128 и формат compressed-tensors для ядер Marlin в vLLM. Размер файлов составляет около 19,5 ГБ. Нативный контекст — 262 144 токена, а с YaRN заявлена поддержка до 1 000 000 токенов. Квантование заметно снижает требования к памяти по сравнению с версией BF16, при этом запуск рассчитан на видеокарты Ampere и новее, включая RTX 3090, RTX 4090 и A100.

Сильными сторонами являются большой контекст, поддержка мультимодального ввода, режима рассуждений и эффективный запуск через vLLM на распространённых GPU. Ограничения связаны с требованиями к видеопамяти: на одной RTX 3090 веса помещаются, но полный контекст 262 144 токена недоступен; для длинного контекста рекомендуется несколько GPU или другой формат. Модель использует AutoRound, а не AWQ, GGUF или NVFP4. Распространяется по лицензии Apache 2.0, как и базовая модель.

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 · 4-bit (INT4)

A 4-bit quant of Qwen/Qwen3.8-27B.
Weights are INT4. Activations stay BF16. 19.5 GB on disk (BF16 is ~54 GB).

This is AutoRound, not AWQ, not GGUF, not NVFP4. Packed as compressed-tensors for vLLM Marlin. Runs on Ampere and newer (3090, 4090, A6000, A100). You do not need a 5090.

Quant4-bit / INT4 weights, 16-bit activations (W4A16)
MethodAutoRound 0.14.2, group size 128
Formatcompressed-tensors / Marlin
NotAWQ · GGUF · NVFP4
Size19.5 GB
Context262,144 native, up to 1M with YaRN
Proven2× RTX 3090, full 262k context

Use this on 3090 / 4090 / A100 class cards.
Use cyankiwi's AWQ-INT4 if you want their AWQ.
Use an NVFP4 build only on Blackwell (50-series / B200).

Serve (vLLM)

The model can take 262,144 tokens of context. --max-model-len is how much of that you reserve in GPU memory. Set it to 262144 if you have the VRAM (we do, on two 3090s). Set it lower if you run out of memory, or if you want more than one request in flight — leftover VRAM goes to the KV cache.

pip install "transformers>=5.15"

vllm serve MIRALABS/Qwen3.8-27B-W4A16-AutoRound \
  --tensor-parallel-size 2 \
  --max-model-len 262144 \
  --kv-cache-dtype fp8 \
  --enable-prefix-caching \
  --enable-chunked-prefill \
  --reasoning-parser qwen3 \
  --enable-auto-tool-choice \
  --tool-call-parser qwen3_coder \
  --trust-remote-code

Need transformers>=5.15 for Qwen3_5Config. vLLM 0.19 still asks for <5; install 5.15 anyway.

One 3090

The weights fit in 24 GB. Context does not — not at 262k. Start around 8k and raise --max-model-len until it OOMs.

vllm serve MIRALABS/Qwen3.8-27B-W4A16-AutoRound \
  --tensor-parallel-size 1 \
  --max-model-len 8192 \
  --gpu-memory-utilization 0.95 \
  --kv-cache-dtype fp8 \
  --reasoning-parser qwen3 \
  --enable-auto-tool-choice \
  --tool-call-parser qwen3_coder \
  --trust-remote-code

For long context on a single 3090, use a GGUF in llama.cpp and offload what does not fit.

1M context (YaRN)

VLLM_ALLOW_LONG_MAX_MODEL_LEN=1 vllm serve MIRALABS/Qwen3.8-27B-W4A16-AutoRound \
  --max-model-len 1000000 \
  --hf-overrides '{"text_config":{"rope_parameters":{"mrope_interleaved":true,"mrope_section":[11,11,10],"rope_type":"yarn","rope_theta":10000000,"partial_rotary_factor":0.25,"factor":4.0,"original_max_position_embeddings":262144}}}' \
  --trust-remote-code

Thinking

Thinking is on by default (reasoning_effort=xhigh). The model writes inside <think>…</think>, then the answer. --reasoning-parser qwen3 puts the think in reasoning and the answer in content.

Give it room. A tiny max_tokens cuts it off mid-thought and you get an empty answer.

  • xhigh — default
  • medium / low — shorter think
  • enable_thinking=false — skip thinking

Qwen's sampling: thinking temperature=1.0, top_p=0.95, top_k=20. No-think: temperature=0.7, top_p=0.8, presence_penalty=1.5.

Recipe

BaseQwen/Qwen3.8-27B
Bits4-bit weights (INT4), activations BF16
AlgorithmIntel AutoRound 0.14.2
Group128
Packingcompressed-tensors, pack-quantized
KernelMarlin (Ampere+)
CalibrationNeelNanda/pile-10k, 128 samples, seq 2048, 200 iters
Left in BF16recurrence (in_proj_a / in_proj_b), vision, MTP, lm_head

FAQ

Is this 4-bit?
Yes. INT4 weights. W4A16 means 4-bit weights, 16-bit activations.

Is this AWQ?
No. AutoRound. AWQ is a different 4-bit method — see cyankiwi.

3090 or 5090?
3090 / 4090 / A100 → this. Blackwell → NVFP4 will be faster on those tensor cores.

License

Apache 2.0, same as the base.

Как запустить

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

GPU в ailist

Универсальный рантайм · vllm

Нельзя запустить

Готовая квантизация поддерживается только для текстовых LLM (vLLM).

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
a6754ef

0 моделей