/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
KAT-Coder-V2.5-Dev
Опубликована
30 авг 2026

KAT-Coder-V2.5-Dev-REAP-50-GGUF

Генерация текстаТекст → текст14 профессий

Ttimms/KAT-Coder-V2.5-Dev-REAP-50-GGUF — это квантизированная GGUF-версия модели KAT-Coder-V2.5-Dev, разработанной Kwaipilot и подготовленной Ttimms.

2 114скачиваний за 30 дней2лайкавеса обновлены25 сен 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

Модель предназначена для генерации текста и программного кода, агентного программирования и работы через llama.cpp-совместимые приложения. Указан английский язык.

В основе лежит гибридная архитектура Gated-DeltaNet и Mixture of Experts (MoE). В результате 50-процентного pruning методом REAP число экспертов сокращено с 256 до 128, общий размер составляет около 19 млрд параметров, а активными при инференсе являются примерно 3 млрд параметров. Vision tower удалён, MTP head отсутствует. Доступны варианты квантизации Q4_K_M, Q5_K_M, Q6_K и Q8_0; рекомендуемый Q4_K_M занимает около 11,4 ГБ и рассчитан на запуск в системах с 16 ГБ памяти.

Сильные стороны модели — высокая эффективность MoE при относительно умеренных требованиях к вычислениям, поддержка CPU и Apple Silicon, а также хорошие заявленные результаты на HumanEval+ и MBPP+. Для работы требуется свежая версия llama.cpp с поддержкой архитектуры qwen35moe; поддержка Ollama зависит от обновления встроенной версии llama.cpp. Более качественные кванты требуют больше памяти, а Q8_0 нуждается более чем в 16 ГБ или в выгрузке части вычислений на CPU. Заявленные результаты основаны на одиночных greedy-запусках и имеют заметный разброс между повторными измерениями. Модель распространяется по лицензии Apache-2.0.

Для каких профессий подходит14

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

KAT-Coder-V2.5-Dev · REAP-50 — GGUF

GGUF quants of the 50%-REAP-pruned KAT-Coder-V2.5-Dev (Gated-DeltaNet + MoE hybrid): 256 → 128 experts, ~19B parameters, no MTP head.

Base-model quality (NVFP4A16 quant, greedy, instruct): HumanEval+ ~90%, MBPP+ ~90%. These are single greedy draws; the accuracy harness has a measured run-to-run spread of 1.85–4.27 pp per task (2026-09-05), so read small differences as unresolved.

Architecture

graph TD
    Base["Kwaipilot/KAT-Coder-V2.5-Dev<br/>Qwen3.5 MoE - 256 experts - ~69 GB bf16"]
    subgraph Build ["Build - RTX 5070 Ti, SM120"]
        REAP["REAP expert prune 50%  256 -> 128 experts + router-renorm fix"]
        Strip["strip vision tower + 333 untrained tensors"]
        Quant["NVFP4A16 quantize (weight-only, data-free, 82 s)"]
    end
    subgraph HF ["Published formats"]
        A16["REAP-50-NVFP4A16 - 12.45 GiB (default, vLLM)"]
        W4A4["REAP-50-NVFP4-W4A4 (native FP4)"]
        GPTQ["REAP-50-NVFP4A16-GPTQ (null result, kept for transparency)"]
        GGUF["REAP-50-GGUF (Q4_K_M / Q5_K_M / Q6_K / Q8_0)"]
        BF16["REAP-50-bf16 (pruned source)"]
    end
    Bench["A16 single draws - HumanEval+ 89.0% - MBPP+ 90.5% - SWE-bench Verified 52.0%"]
    Base --> REAP --> Strip --> Quant --> A16
    Strip --> BF16
    BF16 -. re-quant .-> W4A4
    BF16 -. re-quant .-> GPTQ
    BF16 -. convert .-> GGUF
    A16 --> Bench

Download

Grab one file, not the whole repo.

FileQuantSizeNotes
kat-reap50-Q4_K_M.ggufQ4_K_M11.4 GBrecommended — fits 16 GB with room for context
kat-reap50-Q5_K_M.ggufQ5_K_M13.3 GBhigher quality, tighter KV budget
kat-reap50-Q6_K.ggufQ6_K15.3 GBnear-lossless; little headroom on 16 GB
kat-reap50-Q8_0.ggufQ8_019.7 GBneeds >16 GB or CPU offload

MoE with ~3B active parameters — CPU / Apple-Silicon inference is fast for the size. For full precision, re-quantizing, or merging, use the pruned bf16 source and run convert_hf_to_gguf.py --no-mtp yourself.

Run it in

Measured on an RTX 5070 Ti (16 GB)

Measured 2026-09-24 on kat-reap50-Q4_K_M.gguf only (the other quants were not run). Plain decoding: this model has no MTP head, so there is no speculative decoding. Hardware: RTX 5070 Ti (16,303 MiB), Ryzen 5 7600, WSL2, with the desktop still using 1.3-1.9 GB of VRAM. Software: llama.cpp commit 3173a56 (source build, 2026-08-29).

llama-server --model kat-reap50-Q4_K_M.gguf -c 32768 -ngl 999 -fa on -np 1 \
  --cache-type-k q8_0 --cache-type-v q8_0 -b 2048 -ub 512 --jinja
MetricResult
Decode, empty context (T = 0 / 0.6 / 1.0)181.0 / 183.6 / 183.5 tok/s
Decode at ~24K tokens of context (T = 0.6)151.9 tok/s
Prefill, ~24K-token prompt~4.7K tok/s (about 5 s)
Peak VRAM at 32K context, q8_0 KV12,873 MiB of 16,303 MiB (includes the desktop's 1.3-1.9 GB)

Decode figures are medians of the server-reported predicted_per_second: 5 prompt types x 3 repeats at empty context, 2 prompt types x 2 repeats at ~24K context. One machine and one build, so treat these as a reference point rather than a guarantee.

Requirements

Needs a recent llama.cpp (the qwen35moe hybrid arch). Verified with llama-server from a source build. Ollama support pending its bundled-llama.cpp bump.

llama-server -m kat-reap50-Q4_K_M.gguf -ngl 99 --port 8080

The chat template defaults to thinking on; pass "chat_template_kwargs": {"enable_thinking": false} for direct output.

License

Apache-2.0 (inherits from Kwaipilot/KAT-Coder-V2.5-Dev). Pruning: REAP (github.com/CerebrasResearch/reap, with a router-renormalization fix).

Как запустить

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

GPU в ailist

llama.cpp

Нельзя запустить

GGUF-модель ждёт проверки: нужно выбрать файл кванта под доступные GPU.

Ревизия весов
d7cfa8e

0 моделей