/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
20,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-27B-heretic-ara
Библиотека
vllm
Опубликована
16 авг 2026

Qwen3.8-27B-heretic-ara-NVFP4

Изображение и текст → текст12 профессий

PassingByPixels/Qwen3.8-27B-heretic-ara-NVFP4 — это квантизированная версия мультимодальной модели Qwen3.8-27B-heretic-ara, разработанная PassingByPixels на основе checkpoint от trohrbaugh.

294скачиваний за 30 дней1лайквеса 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

Исходная модель представляет собой кастомную Heretic ARA-версию Qwen3.8-27B от Qwen; данный репозиторий выполняет преобразование числового формата без дополнительного обучения, дообучения или изменения весов, за исключением восстановления MTP-головы.

Модель предназначена для генерации и анализа текста и изображений, включая диалоговые сценарии с поддержкой reasoning и визуального ввода. Она рассчитана на запуск через vLLM на одном NVIDIA DGX Spark с GPU GB10 и 128 ГБ памяти. Используется смешанная точность: FFN и проекции full attention хранятся в NVFP4 — 4-битном формате с блоковыми 8-битными масштабами, а Gated DeltaNet, vision tower, embeddings, LM head и MTP-голова остаются в BF16. Размер весов уменьшен примерно с 51,8 до 20 ГБ; заявлена поддержка контекста до 131 072 токенов. В README указан английский язык.

К сильным сторонам относятся существенно меньший размер, совместимость с Blackwell FP4-путём vLLM и поддержка speculative decoding через MTP. Работоспособность MTP проверена на DGX Spark, однако это не является оценкой качества модели. Ключевое ограничение — потерьное 4-битное преобразование: сравнительное тестирование качества с исходной BF16-моделью не проводилось, а заявленные возможности относятся прежде всего к исходным весам. Также отмечены ограничения совместимости MTP и FlashInfer на GB10. Модель распространяется по лицензии Apache 2.0, унаследованной от исходных моделей.

Для каких профессий подходит12

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-heretic-ara-NVFP4

An NVFP4 (4-bit floating point) quantization of trohrbaugh/Qwen3.8-27B-heretic-ara (itself a Heretic ARA decensor of Qwen/Qwen3.8-27B).

Produced with NVIDIA TensorRT Model Optimizer (Spark Foundry PTQ, vlm_ptq / qformat=nvfp4, 512 calibration samples, sequence length 2048) so the model fits and runs on a single 128 GB DGX Spark (GB10) through vLLM's Blackwell FP4 path.

No training, fine-tuning, or weight edit was done here except the two steps below. The heretic / ARA work is entirely upstream. This repo is a numeric format conversion of that finished checkpoint, plus an MTP-head repair after ModelOpt dropped the draft tensors.

It is a lossy conversion. No quality eval of the 4-bit result against the bf16 source was run. Treat upstream capability claims (Qwen's, and trohrbaugh's refusal-rate numbers) as claims about the bf16 weights, not as verified properties of this quantization.


What we did

  1. Download trohrbaugh/Qwen3.8-27B-heretic-ara (51.8 GB bf16).
  2. PTQ to NVFP4 with NVIDIA ModelOpt on a DGX Spark, Foundry path, vlm=true (vision tower left in higher precision), 512 calib samples, seq_len 2048.
  3. Restore the MTP head. ModelOpt exported text_config.mtp_num_hidden_layers: 1 but wrote zero of the 15 mtp.* tensors, including mtp.fc.weight. That is the known silent-failure shape: vLLM will load, draft from an uninitialised projection, and only get slower. We spliced all 15 mtp.* tensors unchanged (bf16) from the source checkpoint into an extra shard (model-mtp-fc.safetensors, 849.4 MB) and listed those modules in quantization_config.ignore so they are not read as NVFP4.
  4. Nothing else. Same tokenizer, chat template, vision processor files (borrowed from a same-arch donor at register time where ModelOpt omitted them). Language-model and vision-tower tensor names match the official PassingByPixels/Qwen3.8-27B-NVFP4 export except the restored MTP set.

What this quantization is

NVFP4 stores each weight as an E2M1 4-bit float (1 sign, 2 exponent, 1 mantissa bit), with an 8-bit scale shared across each block of 16 weights.

Mixed precision, by design. ModelOpt leaves these in higher precision:

ComponentPrecision
Gated DeltaNet (linear attention)bf16
MTP head (spliced back)bf16
Vision towerbf16
Embeddings / LM headbf16
FFN + full-attention projectionsNVFP4
bf16 sourcethis checkpoint
On disk51.8 GB~20 GB (2 NVFP4 shards + MTP shard)
Weight keys1,1992,399 (weights + NVFP4 scales + 15 MTP)
mtp.* tensors15/1515/15 (spliced)
mtp.fc.weightpresentpresent

MTP validation (this artifact)

Served on DGX Spark GB10 with vLLM 0.25.1-gb10.2:

--speculative-config '{"method":"mtp","num_speculative_tokens":2}'

Smoke generation (96 tokens, temperature 0): spec_drafted=86, spec_accepted=53, accept rate 0.616. If the head were missing or random, drafted would be 0 or accept would sit near 0. That is the functional check. It is not a quality bench.


Source


Serve (vLLM)

vllm serve PassingByPixels/Qwen3.8-27B-heretic-ara-NVFP4 \
  --served-model-name qwen3.8-27b-heretic-ara-nvfp4 \
  --kv-cache-dtype fp8 \
  --attention-backend flashinfer \
  --max-model-len 131072 \
  --gpu-memory-utilization 0.72 \
  --reasoning-parser qwen3 \
  --trust-remote-code \
  --speculative-config '{"method":"mtp","num_speculative_tokens":2}'

Thinking mode is on by default. Disable per request with chat_template_kwargs.enable_thinking: false.


Limitations

  • Lossy 4-bit conversion. No side-by-side quality eval vs the bf16 heretic source.
  • No throughput sweep was run on this repo (the table on the official Qwen3.8-27B NVFP4 card is a different checkpoint).
  • Client max_tokens must be less than the served max_model_len.
  • MTP + FlashInfer on GB10 has a known crash class at some GQA / k settings; this checkpoint was loaded and drafted at k=2 with FlashInfer on v0.25.1-gb10.2.

License

Apache 2.0, inherited from trohrbaugh/Qwen3.8-27B-heretic-ara and Qwen/Qwen3.8-27B.

Как запустить

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

GPU в ailist

Универсальный рантайм · vllm

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
61f5efe

0 моделей