/ Модель

Характеристики

Контекст
131 072 токена
Параметры
2,2 млрд
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
MiniCPM5-2B
Библиотека
transformers
Опубликована
9 сен 2026

MiniCPM5-2B-NVFP4

Генерация текстаТекст → текст13 профессий

Ttimms/MiniCPM5-2B-NVFP4 — это квантованная версия языковой модели openbmb/MiniCPM5-2B, подготовленная разработчиком Ttimms для генерации текста.

1 478скачиваний за 30 дней0лайковвеса обновлены10 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

Базовая модель основана на архитектуре LlamaForCausalLM и содержит около 2,5 млрд параметров. Модель предназначена прежде всего для англоязычных и китайскоязычных сценариев, включая генерацию и обработку кода.

В модели применена 4-битная квантование весов NVFP4 по схеме W4A16 с GPTQ-округлением, блоками по 16 элементов и FP8-масштабами; активации, эмбеддинги и lm_head сохраняются в формате bfloat16. Размер на диске составляет около 2,03 ГиБ — на 57% меньше исходной версии в bfloat16. Модель рассчитана на запуск через vLLM с поддержкой compressed-tensors; в README приведён пример с максимальной длиной контекста 32 768 токенов и FP8 KV-кэшем.

Главное преимущество — малый объём занимаемой памяти, что удобно для видеокарт с ограниченным объёмом памяти и сценариев с большим KV-кэшем. GPTQ сохраняет качество лучше, чем простое RTN-округление, однако по сравнению с исходной версией в bfloat16 модель теряет около 2,4 процентного пункта на HumanEval и 4,8 пункта на MBPP. На архитектуре Blackwell SM120 NVFP4-веса декодируются через Marlin в матричное умножение bfloat16, поэтому выигрыш в первую очередь связан с уменьшением занимаемой памяти, а не с ускорением вычислений.

Распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Для каких профессий подходит13

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

MiniCPM5-2B — NVFP4 W4A16 (GPTQ)

NVFP4 weight-only (W4A16) quantization of openbmb/MiniCPM5-2B — 4-bit float weights in 16-element blocks with FP8 block scales, activations in bf16, lm_head + embeddings kept in bf16. Rounding is GPTQ (Hessian-aware), not RTN, which recovers most of the quality NVFP4 otherwise loses on a small model. Produced with llm-compressor 0.13.

  • 2.03 GiB on disk (bf16 base is 4.68 GiB — 57 % smaller)
  • Serves on vLLM (compressed-tensors); on SM120 the weight-only path currently decodes via the Marlin kernel to a bf16 GEMM (no native FP4 compute), so the benefit here is footprint, not raw speed
  • Coding cost vs bf16: ~2.4 pp HumanEval / ~4.8 pp MBPP — see the eval

Pick this if you need to fit near 2 GB (e.g. an 8 GB card with a large KV cache). If you can spare ~0.8 GB, the FP8 build is near-lossless.

Evaluation

lm-evaluation-harness, vLLM 0.26 backend, greedy, median of 3 draws with the range (the harness is non-deterministic run-to-run even at greedy). All arms measured in one session against the released checkpoint. HumanEval-instruct pass@1/create_test (n = 164); MBPP base 3-shot (n = 500).

buildHumanEval-instMBPP (3-shot)sizeΔ HE / MBPP
bf16 base86.59 % (85.98–86.59)50.60 % (50.40–51.00)4.68 GiB—
FP8-dynamic84.76 % (84.15–85.37)48.80 % (48.80–49.00)2.84 GiB−1.8 / −1.8 pp
NVFP4-W4A16 GPTQ (this)84.15 % (81.71–84.15)45.80 % (45.60–46.40)2.03 GiB−2.4 / −4.8 pp
NVFP4-W4A16 RTN79.88 % (77.44–79.88)41.20 % (41.20–41.80)2.03 GiB−6.7 / −9.4 pp
mixed (MLP-NVFP4 + attn-FP8)84.15 % (82.93–85.98)46.60 % (46.00–46.80)2.20 GiB−2.4 / −4.0 pp

GPTQ rounding recovers ~4.3 pp (HumanEval) / ~4.6 pp (MBPP) over plain RTN. A 2.5 B dense model still can't fully absorb 4-bit weights — the residual gap, especially on MBPP, is the cost of the extra ~0.8 GB saved vs FP8. A mixed-precision build (4-bit MLP + 8-bit attention) was tried and gives no advantage — same HumanEval, 0.17 GiB larger — so it is not published.

Full comparison, serving notes, and a fine-tune experiment that regressed the base's coding (so these quants target the released checkpoint): https://github.com/t-timms/minicpm5-2b-quants

Usage

vllm serve Ttimms/MiniCPM5-2B-NVFP4 --max-model-len 32768 --kv-cache-dtype fp8

On WSL, set VLLM_USE_V2_MODEL_RUNNER=0 (the V2 runner needs UVA, which WSL disables).

Method & provenance

  • Quantizer: llm-compressor 0.13, GPTQModifier(scheme="NVFP4A16", dampening_frac=0.1), ignore lm_head + embed_tokens. Calibration: 512 samples of theblackcat102/evol-codealpaca-v1 (code, disjoint from the eval sets), 2048 tokens.
  • Base: openbmb/MiniCPM5-2B (LlamaForCausalLM, 2.5 B, Apache-2.0).
  • Built and evaluated on an RTX 5070 Ti (Blackwell, SM120), vLLM 0.26.

License

Apache-2.0, inherited from openbmb/MiniCPM5-2B.

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
1e834a4

0 моделей