/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Своя лицензия
Архитектура
qwen3_5_moe · dense
Базовая модель
Qwen3.5-122B-A10B
Библиотека
transformers
Опубликована
26 авг 2026

qwen35-122b-a10b-k4e2

Генерация текстаТекст → текст11 профессий

Квантованная версия Qwen3.5-122B-A10B для генерации текста и диалогов с уменьшенным потреблением памяти ценой скорости.

45скачиваний за 30 дней0лайковвеса обновлены26 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 «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

Sayankotor/qwen35-122b-a10b-k4e2 — это квантованный чекпойнт модели Qwen/Qwen3.5-122B-A10B, опубликованный пользователем Sayankotor. Он предназначен для генерации текста и диалогов. Модель построена на архитектуре MoE с гибридными DeltaNet и полным вниманием; в README указаны 256 маршрутизируемых экспертов на слой. Основная часть весов и общие экспертные MLP квантованы до 4 бит, маршрутизируемые эксперты — до 2 бит, а ряд компонентов, включая зрительную башню, сохранён в исходной точности. Размер уменьшен примерно с 234 до 34 ГБ.

Чекпойнт рассчитан на запуск в условиях ограниченной видеопамяти, когда приемлема существенно более низкая скорость: README сообщает примерно о 18-кратном замедлении относительно bf16 на описанном тесте. Приведены результаты perplexity на WikiText-2 и C4 при контексте 4096 токенов; это не устанавливает максимальную длину контекста. Для загрузки требуются поставляемый в репозитории пользовательский код модели и дополнительные зависимости. Метаданные указывают лицензию «other», поэтому конкретные условия использования следует сверять с карточкой и файлами лицензии базовой модели.

Сценарии применения

  • диалог с пользователем на естественном языке
  • генерация текста при ограниченной видеопамяти
  • локальный запуск большой MoE-модели на нескольких GPU

Ограничения

Квантование ухудшает perplexity относительно bf16, а описанный режим инференса примерно в 18 раз медленнее bf16. Для загрузки нужны пользовательский код модели из репозитория и дополнительные зависимости; максимальная длина контекста в источниках не указана.

Для каких профессий подходит11

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

Qwen3.5-122B-A10B — QTIP K4/K2 quantized

QTIP (trellis-coded) quantization of Qwen/Qwen3.5-122B-A10B (hybrid DeltaNet / full-attention MoE, 256 routed experts, moe_intermediate=1024, hidden=3072).

Mixed precision

  • Model body (attention q/k/v/o and DeltaNet in_proj_*/out_proj, plus each layer's shared_expert MLP) — quantized at K = 4 bit.
  • Routed experts (256 per layer, gate_up_proj / down_proj) — quantized at K = 2 bit (expert_bits).
  • Router gates, q/k_norm, conv1d, RMSNorms, embed_tokens, lm_head and the whole vision tower are kept in the original fp16/bf16 (never quantized).
  • 62 "dead" routed experts (no usable calibration factor) are kept as their original bf16 weights (dead_experts in config.json → quip_params).

Compression: ~234 GB (bf16) → ~34 GB (~6.9×).

Evaluation (perplexity, ctx 4096)

datasetthis model (K4 body / K2 experts)bf16 baseline
wikitext25.4694.839
c48.8718.411

Compression degradation: +0.630 wikitext2 / +0.460 c4. The kernel (CUDA) decode path reproduces the manifest (torch) decode exactly — full-wikitext2 kernel PPL = 5.4687 vs manifest 5.469.

How to load

This is a custom quantized checkpoint — it needs the bundled modeling code (shipped in this repo, modeling_qwen3_5_moe_quantized.py + qtip_*.py) and two runtime dependencies that are NOT part of the checkpoint:

  1. qtip_kernels — the QTIP CUDA trellis-decode extension (a compiled .so; build it from the QTIP kernels source). Without it the code falls back to a much slower pure-torch decode.
  2. A transformers build that provides the base qwen3_5_moe model (transformers.models.qwen3_5_moe.modeling_qwen3_5_moe).
from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "Sayankotor/qwen35-122b-a10b-k4e2",
    trust_remote_code=True,
    torch_dtype="bfloat16",
    device_map="auto",          # ~34 GB; fits comfortably on 2–4x 80 GB
)
# The Hadamard buffers are non-persistent; rebuild them after load:
from modeling_qwen3_5_moe_quantized import materialize_hadK
materialize_hadK(model)

tok = AutoTokenizer.from_pretrained("Sayankotor/qwen35-122b-a10b-k4e2")

Speed / memory trade-off

The trellis is decoded on every forward pass, so kernel-mode inference trades speed for memory. On 4×A100-80GB, wikitext2 (seqlen 4096, batch 1):

this model (kernel-mode)bf16 baseline
s / 4096-token block~22.8 s~1.2 s
peak GPU memory~21 GB/GPU (~34 GB total)~61 GB/GPU (~244 GB total)

i.e. ~7× smaller, ~18× slower than dense bf16. Use it when memory — not latency — is the constraint.

License

Inherits the license of the base model Qwen/Qwen3.5-122B-A10B. Refer to the base model card for terms.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5MoeQuantizedForConditionalGeneration
Ревизия весов
5a15552

0 моделей