/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5_moe · dense
Базовая модель
Qwen3-35B-A3B
Библиотека
vllm
Опубликована
28 июн 2026

Qwen3.6-35B-A3B-abliterated-NVFP4-MTP

Генерация текстаТекст → текст11 профессий

Qwen3.6-35B-A3B-abliterated-NVFP4-MTP — языковая модель на базе Qwen3, созданная сообществом THe-Plague на основе моделей Qwen и производных Huihui AI и sakamakismile.

1 631скачиваний за 30 дней10лайковвеса обновлены28 июн 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

Она предназначена для генерации текста и диалоговых сценариев, включая работу с длинным контекстом, а также для высокоскоростного инференса на видеоускорителях NVIDIA Blackwell, в частности DGX Spark с чипом GB10. Модель поддерживает английский и китайский языки, использует библиотеку vLLM и доступна для задач text generation.

Архитектура построена по схеме Mixture of Experts: общий объём составляет 35 млрд параметров, из которых при обработке активны около 3 млрд. Основные веса квантизированы в NVFP4 и занимают примерно 21,9 ГБ, а слои MTP (Multi-Token Prediction) хранятся в BF16 и занимают ещё около 1,6 ГБ. Общий размер — около 23,5 ГБ, контекст — до 131 072 токенов. MTP предназначены для speculative decoding; на одном DGX Spark заявлена скорость до 95,2 токена в секунду при MTP=3.

К сильным сторонам относятся сочетание NVFP4-квантизации и speculative decoding, высокая скорость генерации, поддержка длинного контекста и оптимизация под NVIDIA Blackwell. Abliteration удаляет направление отказа в представлениях модели, поэтому поведение и ограничения безопасности могут отличаться от исходной Qwen3.6; модель позиционируется как uncensored. Производительность зависит от оборудования, конфигурации vLLM и параметров MTP, причём в README оптимальным указан режим MTP=3, а MTP=4 может снижать скорость. Модель распространяется по лицензии Apache-2.0.

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

Qwen3.6-35B-A3B-abliterated-NVFP4-MTP

The fastest abliterated Qwen3.6 for NVIDIA Blackwell / DGX Spark — NVFP4 quantized with MTP (Multi-Token Prediction) layers for speculative decoding.

95.2 tok/s decode on a single DGX Spark (GB10) with MTP=3.

What Makes This Different

No other model on HuggingFace combines all three:

FeatureThis Modelsakamakismile NVFP4RedHatAI NVFP4
NVFP4 weights✅✅✅
MTP layers✅ BF16❌✅
Abliterated✅✅❌
Speculative decode✅ 95 tok/s❌ ~70 tok/s✅ but censored

Without MTP layers, you're limited to ~70 tok/s on GB10. MTP enables speculative decoding which gives a +35% speedup.

Model Details

  • Architecture: Qwen3 MoE (Mixture of Experts), 35B total / 3B active parameters
  • Main weights: NVFP4 quantized (21.9 GB) — optimized for NVIDIA Blackwell CUTLASS kernels
  • MTP layers: BF16 (1.6 GB, 19 tensors in model-mtp.safetensors)
  • Total size: ~23.5 GB
  • Context length: 131,072 tokens
  • Abliteration: Refusal direction removed via representation engineering (from huihui-ai)

How It Was Made

  1. Started with sakamakismile/Huihui-Qwen3.6-35B-A3B-abliterated-NVFP4 (NVFP4 main weights, no MTP)
  2. Extracted BF16 MTP layers from huihui-ai/Huihui-Qwen3.6-35B-A3B-abliterated (full BF16 model)
  3. Injected MTP tensors into a separate model-mtp.safetensors file
  4. Updated model.safetensors.index.json with MTP weight mappings
  5. Verified with vLLM speculative decoding (MTP=1 through MTP=4)

Benchmark Results

Hardware: NVIDIA DGX Spark (GB10 Blackwell, sm_121, ~128GB unified memory) Engine: vLLM v0.23.1 with FlashInfer + CUTLASS NVFP4 MoE kernels Benchmark: 256 generated tokens at various context lengths

Config1K ctx4K ctx16K ctx32K ctx64K ctx
MTP=3, seqs=1 (best)92.295.290.789.784.4
MTP=2, seqs=487.275.582.881.674.4
MTP=4, seqs=175.671.374.077.674.4
No MTP (NVFP4 only)~71~70~74~68~70

MTP=3 is the sweet spot. MTP=4 regresses due to speculation overhead exceeding acceptance rate.

Recommended vLLM Launch Config

docker run -d --gpus all --network host --ipc host --shm-size=16g \
  --name vllm-qwen36 \
  -e VLLM_MARLIN_USE_ATOMIC_ADD=1 \
  -e TORCH_MATMUL_PRECISION=high \
  -v /path/to/models:/models \
  ghcr.io/spark-arena/dgx-vllm-eugr-nightly:latest \
  vllm serve /models/Qwen3.6-35B-A3B-abliterated-NVFP4-MTP \
    --host 0.0.0.0 --port 8000 --max-model-len 131072 \
    --max-num-batched-tokens 32768 --max-num-seqs 1 \
    --trust-remote-code --gpu-memory-utilization 0.7 \
    --reasoning-parser qwen3 --kv-cache-dtype fp8 \
    --load-format instanttensor --attention-backend flashinfer \
    --speculative-config '{"method": "mtp", "num_speculative_tokens": 3}' \
    --enable-prefix-caching -tp 1

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5MoeForConditionalGeneration
Ревизия весов
6cd74b5

0 моделей