/ Модель

Характеристики

Базовая модель
Qwen3.8-27B
Библиотека
llama.cpp
Опубликована
15 авг 2026

Qwen3.8-27B-NVFP4-Q5K-no-MTP-GGUF

Изображение и текст → текст3 профессии

Производная мультимодальной Qwen3.8-27B в формате GGUF для диалогов и анализа изображений при запуске через llama.cpp.

594скачиваний за 30 дней6лайковвеса обновлены16 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

Это производная мультимодальной модели Qwen3.8-27B, подготовленная сообществом QQZ2026 для запуска через llama.cpp в формате GGUF. В репозитории размещены варианты NVFP4/Q5K с физически удалённым слоем MTP и соответствующий проектор изображений F16; сохранённые тензоры скопированы без повторной квантизации. Проект не является официальным выпуском Qwen, NVIDIA, Hugging Face или llama.cpp.

Модель предназначена для диалогов с изображениями и их анализа. Автор описывает профиль запуска на видеокарте NVIDIA GeForce RTX 5060 Ti с 16 ГБ видеопамяти: текстовая часть размещается на GPU, проектор изображений — в оперативной памяти, а число токенов изображения ограничивается 4096. В конфигурации с общим KV-кэшем на 66 тыс. токенов проверялась параллельная обработка запросов; скорость декодирования на GPU в отдельных тестах составляла около 25,9 токена в секунду.

Профиль чувствителен к конфигурации оборудования и программного обеспечения: после прогрева оставалось около 74 МиБ свободной видеопамяти, поэтому другие CUDA-нагрузки или иные параметры могут привести к нехватке ресурсов. Без ограничения токенов изображения запросы с динамическим разрешением могут превысить доступную ёмкость контекста. README не сообщает условия лицензии; перед использованием следует проверить лицензию базовой модели и самого репозитория.

Сценарии применения

  • ответы на вопросы по изображению
  • описание содержимого фотографии
  • анализ изображений в локальном диалоге
  • запуск мультимодальной модели на видеокарте с 16 ГБ памяти

Ограничения

Проверенная конфигурация оставляла около 74 МиБ свободной видеопамяти и зависела от конкретной видеокарты, драйвера и параметров запуска; параллельные CUDA-нагрузки могут вызвать нехватку памяти. Без ограничения image-max-tokens запросы с изображениями могут превысить ёмкость контекста; лицензия в README не указана.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3.8-27B NVFP4 Q5K — Physical no-MTP, 16 GB VRAM

This repository contains a physical no-MTP derivative of a Qwen3.8-27B NVFP4/Q5K GGUF and the matching F16 Vision projector.

Current best 16 GB deployment

Validated on an NVIDIA GeForce RTX 5060 Ti 16 GB on 2026-08-16:

Qwen3.8-27B NVFP4 Q5K
physical no-MTP
66K shared KV
P2 / unified KV
full-GPU text backbone
Q4_0 K/V cache
Qwen3.8 Vision enabled
F16 mmproj on CPU
--image-max-tokens 4096
llama.cpp upstream b10435 / 9e40df63ba151d771d8b247ac4011cf203337e99
NO local FA patch

Recommended command:

llama-server \
  -m Qwen3.8-27B-NVFP4-Q5K-no-MTP.gguf \
  --mmproj mmproj-Qwen3.8-27B-F16.gguf \
  --no-mmproj-offload \
  --image-max-tokens 4096 \
  -c 66000 \
  -np 2 \
  --kv-unified \
  -ngl 999 \
  --flash-attn on \
  -ctk q4_0 -ctv q4_0 \
  -b 512 -ub 64 \
  --threads 7 \
  --fit off \
  --jinja \
  --host 0.0.0.0 \
  --port 8001

Measured memory envelope

fresh startup:             15,810 MiB used / 80 MiB free
post first warm-up:        15,816 MiB used / 74 MiB free
later repeated stress:     no further VRAM growth observed

The tested GPU reports 16,311 MiB total VRAM through nvidia-smi, so this is an intentionally tight, hardware-specific profile.

Repeated production-like test

Two live logical lanes were exercised concurrently:

MAIN:   ~40K prompt + 2,048 generated tokens
Vision: real image request, ~4,042-4,084 prompt tokens

The MAIN request repeatedly completed at approximately:

prompt processing: ~191-194 tok/s under concurrent Vision load
decode:            ~19.7-20.3 tok/s under concurrent Vision load

No CUDA OOM was observed. After first-use warm-up, repeated equivalent runs did not continue increasing VRAM.

Why image-max-tokens 4096 is important

Without an image-token cap, dynamic-resolution Vision requests could expand to tens of thousands of prompt tokens. One failing 66K/P2 test reached:

Vision slot: 35,679 tokens
MAIN slot:   30,432 tokens
combined:    66,111 tokens

The server then returned Context size has been exceeded. This was a shared-KV capacity failure, not a CUDA OOM.

With:

--image-max-tokens 4096

the tested image-recognition workload stayed around 4K prompt tokens and CPU-offloaded Vision latency returned to a practical range.

Patch status — experimental only

An earlier local b10435 Flash-Attention transient-scratch patch is still published for reproducibility:

1b0cb7a04a62543a4f27ce8ae6ef7f08cc79bd246dc282af23e4b3439a6c266b  patches/b10435-fa-transient-final.patch

It increased startup VRAM headroom substantially in the earlier 64K/P2 tests. However, later repeated P2 + Vision stress showed undesirable stepwise CUDA-pool growth under the patched path. A 68K sequence measured approximately:

15,778 MiB
15,796 MiB (+18 MiB)
15,814 MiB (+18 MiB)

A similar ~18 MiB stepping pattern was observed again after returning to 64K while keeping the patched P2 + Vision path.

By contrast, clean upstream b10435 at 66K/P2 with --image-max-tokens 4096 stabilized after a small first-use warm-up increase.

Therefore the patch is not recommended for production. Use the clean upstream b10435 build for the current best 16 GB profile. See PATCH-NOTES.md for the detailed A/B notes.

Full-GPU placement matters

Measured single-stream decode:

ConfigurationDecode speed
32K / P1 / full GPU25.88 tok/s
72K / P1 / full GPU25.85 tok/s
earlier partial-offload tests~19.8–20.3 tok/s

For this card, keeping the text backbone fully on GPU is substantially more valuable than gaining a little more context through CPU layer offload.

P2 continuous batching

Earlier 64K/P2/upstream tests measured two simultaneous 512-token generations at approximately:

24.35 tok/s
24.48 tok/s
aggregate ~48.8 tok/s

This established that P2 itself is useful on the card. The final 66K profile adds the Vision token cap while keeping upstream/no-patch behavior.

Vision projector

Matching projector:

mmproj-Qwen3.8-27B-F16.gguf
927.6 MiB
334 tensors

Use:

--no-mmproj-offload

to keep the projector in system RAM.

A separate 72K/P1/upstream/no-patch test showed repeated Vision requests were VRAM-stable after a small first-use warm-up increase.

Physical no-MTP rewrite

Base model:

Qwen/Qwen3.8-27B

The source GGUF contained one embedded MTP / NextN layer. The physical rewrite changed:

FieldOriginalno-MTP
block_count6564
nextn_predict_layers10
Highest remaining block6463
Removed MTP tensors15—
Removed physical size227.91 MiB—

No requantization was performed. Retained tensors were copied unchanged.

Exact artifact SHA256

828c54b45e711a7579abe007aeea46c4fbadb71cacc07545239ffb6efa332e66  Qwen3.8-27B-NVFP4-Q5K-no-MTP.gguf
71101eb61e223e70e58b762c596f5303b63a91aec45fd9cdc5dad5592377f2ee  mmproj-Qwen3.8-27B-F16.gguf

Tested software

Ubuntu:        24.04.4 LTS
NVIDIA driver: 610.43.02
CUDA:          13.3
llama.cpp:     b10435
commit:        9e40df63ba151d771d8b247ac4011cf203337e99
CUDA target:   SM120

Build options:

GGML_CUDA=ON
CMAKE_CUDA_ARCHITECTURES=120
GGML_CUDA_FA_ALL_QUANTS=ON
CMAKE_BUILD_TYPE=Release

Scheduler guidance

-c 66000 -np 2 --kv-unified is one shared KV pool, not two independent 66K contexts.

Recommended mixed-agent policy:

CS lane:   ~4K class, non-thinking, short output, Vision allowed
MAIN lane: use the remaining shared KV for long-context work

Additional concurrent jobs should queue or spill to a remote model rather than consume the reserved CS lane.

Practical warning

The measured post-warm-up free VRAM was only about 74 MiB. A different driver, llama.cpp revision, display load, image shape, batch size, or background CUDA process can change the result. Do not run another CUDA-heavy workload such as ComfyUI at the same time.

This is an independent community deployment project and is not an official Qwen, NVIDIA, Hugging Face, or llama.cpp release.

Как запустить

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

GPU в ailist

Универсальный рантайм · llama.cpp

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
ca97e5a

0 моделей