/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-27B
Библиотека
qwen-ane
Опубликована
14 сен 2026

Qwen3.8-27B-ANE

Генерация текстаТекст → текст7 профессий

Квантованная INT4-версия Qwen3.8-27B для локальной генерации текста и диалогов на Apple Silicon через Apple Neural Engine.

1 439скачиваний за 30 дней1лайквеса обновлены25 сен 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

Qwen3.8-27B-ANE — пакет квантованной INT4-модели Qwen3.8-27B для локального вывода на компьютерах Apple Silicon. Разработчик — True2456; модель основана на Qwen/Qwen3.8-27B и распространяется по лицензии Apache-2.0. Это плотная текстовая генеративная модель для диалогов и работы с инструментами, запущенная через библиотеку qwen-ane на Apple Neural Engine без использования Metal GPU.

Архитектура включает 64 слоя: 48 слоёв Gated DeltaNet и 16 слоёв полновнимательной обработки. Пакет занимает около 16 ГБ: INT4-веса находятся в quant_cache, а отдельные тензоры хранятся в F16 и BF16. Для запуска нужны Apple Silicon, macOS и qwen-ane; карточка сообщает об измерениях на M5 Max с macOS 27. Несмотря на компактный формат и низкое энергопотребление, генерация сравнительно медленная: на M5 Max указано около 3,4–4,3 токена в секунду для коротких запросов. Это специализированный runtime-пакет, а не полный дамп весов для загрузки через Transformers.

Сценарии применения

  • локальные диалоги с языковой моделью на Mac с Apple Silicon
  • генерация текста без использования Metal GPU
  • запуск агента с вызовом инструментов через qwen-ane

Ограничения

Требуются Apple Silicon, macOS и библиотека qwen-ane; пакет нельзя напрямую загрузить как полный чекпойнт через Transformers. Скорость генерации на M5 Max составляет примерно 3,4–4,3 токена в секунду для коротких запросов.

Для каких профессий подходит7

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-ANE

INT4 runtime package for Qwen3.8-27B on Apple Silicon, for use with qwen-ane.

Learned matmuls, Gated DeltaNet recurrence, attention, and MLP tails run on the Apple Neural Engine through AppleNeuralEngine.framework. The Metal GPU is not used. This is not the Flash-Next hybrid checkpoint (ANE attention + GPU MoE), and it is not a Transformers-loadable full-weight dump.

The Hub safetensors widget reports only the host tensors in model.safetensors (~2.5B F16 values). The 27B INT4 layer weights are in quant_cache/.

Package layout

PathSizeRole
model.safetensors5.09 GBHost embeddings, RMSNorms, and LM head (F16)
quant_cache/9.98 GBPre-quantized INT4 blobs, per-row F16 scales, and manifest.json
mtp.safetensors0.85 GBOptional MTP draft-layer tensors (BF16)
tokenizer / config—config.json, tokenizer.json, chat_template.jinja, and related files

Total package is about 16 GB. First load uses the packaged INT4 cache; it does not re-quantize from BF16.

Requirements

  • Apple Silicon (developed and measured on an M5 Max, macOS 27)
  • qwen-ane
  • AppleNeuralEngine.framework (present on macOS; the runtime talks to it through the vendored driver)

Install and run

git clone https://github.com/True2456/qwen-ane.git
cd qwen-ane
pip install -e .

Download into ~/.qwenANE/models/27b:

qwen-ane pull 27b

Or:

hf download True2456/Qwen3.8-27B-ANE --local-dir ~/.qwenANE/models/27b

Chat and serve:

qwen-ane chat -model 27b
qwen-ane serve -model 27b -port 2457

Optional speculative decode (--mtp-draft 2 uses mtp.safetensors):

qwen-ane serve -model 27b -port 2457 --mtp-draft 2

Coding agents can point an OpenAI-compatible client at that server. A Pi provider lives in the qwen-ane tree as extensions/pure27-pi.ts.

Measured performance (M5 Max)

Figures below are from qwen-ane on an Apple M5 Max running 100% on-chip Apple Neural Engine inference (0% Metal GPU).

Context scale & power metrics (2026-09-25)

Cold prefix (reset between lengths, salted prompts, reused=0). Pure ANE server context 8576, INT4 weights. Watts are mean powermetrics --samplers cpu_power,gpu_power,ane_power -i 500 over the generate. PeakMem is footprint -p phys_footprint_peak. Prompt tokens were 1000 / 1999 / 3997 / 7993; completion 128.

TestTTFT(ms)TPOT(ms)ppTPStgTPSE2E(s)ThroughputPeakMemANE / GPU / CPU W
pp 1024 / tg 12831856.7251.431.44.063.817.721.0 GB2.86 / 0.24 / 7.04
pp 2048 / tg 12869915.0260.628.63.8103.020.621.0 GB2.67 / 0.11 / 5.91
pp 4096 / tg 128165730.8278.224.13.6201.120.521.0 GB2.44 / 0.17 / 6.27
pp 8192 / tg 128439329.1319.818.23.1480.016.921.0 GB2.23 / 0.25 / 7.34
  • Zero GPU utilization: Metal GPU stays idle at 0.1–0.2 W while the 27B model runs entirely on the ANE.
  • Ultra-low power draw: Sustained ANE power draw is only ~2.2–2.9 W; total package power stays under 10 W.
  • Rock-solid memory footprint: Physical memory footprint stays flat at 21.0 GB from 1k through 8k+ tokens.

Microbenchmarks & Agent turns

WorkloadResult
Greedy decode, short / agent turnsabout 3.4–4.3 tok/s
MTP-2, repetitive capitals probe5.58 tok/s vs 4.34 greedy; unique prose often falls back toward greedy
Prefill, 300-token agent prompt5.27 s TTFT (~57 tok/s), width-64 / 32-lane programs
Prefill, 4080-token cold prompt26.71 tok/s at the earlier 16-lane chunked-GDN config
Decode power (documented ANE-only path)about 6 W; GPU idle

Prefix cache is on for the HTTP server: a follow-up agent turn that reuses 300 prompt tokens prefills the 56-token suffix in about 1.2 s on the same machine.

Decode is slower than GPU INT4 (MLX) because each token walks 64 layers as many small ANE programs rather than one large GPU GEMM. INT4 shrinks the package and the DRAM traffic; the ANE datapath still executes in F16.

Architecture

64 layers in a 3:1 pattern: 48 Gated DeltaNet (linear attention) layers and 16 full-attention layers (every fourth layer). Projections, convolutions, and SwiGLU MLPs are compiled MIL graphs on the Neural Engine. Host NumPy packs IO, samples tokens, and holds GDN / KV state.

License

Apache-2.0. Base weights: Qwen Team. INT4 packaging and ANE runtime: True2456/qwen-ane.

Как запустить

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

GPU в ailist

Универсальный рантайм · qwen-ane

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
3b1cb97

0 моделей