/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
3,8 млрд
Лицензия
Apache 2.0
Архитектура
spark2_5 · dense
Базовая модель
Spark-X2.5-4B
Библиотека
transformers
Опубликована
10 сен 2026

Spark-X2.5-4B-NVFP4

Генерация текстаТекст → текст12 профессий

Ttimms/Spark-X2.5-4B-NVFP4 — это квантизированная 4-битная версия языковой модели XHToken/Spark-X2.5-4B, подготовленная Ttimms.

970скачиваний за 30 дней2лайкавеса обновлены10 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 кода, агентских сценариев и задач с длинным контекстом; заявленная поддержка языков — английский и китайский. Она совместима с Transformers и рассчитана на запуск через vLLM с внешним плагином Spark2_5, преимущественно на GPU NVIDIA Blackwell.

Модель содержит около 4,1 млрд параметров и использует архитектуру Spark2_5ForCausalLM с гибридным вниманием, сочетающим скользящее и полное внимание, а также поэлементным выходным затвором внимания. Контекстное окно достигает 1 млн токенов. Применена квантизация весов NVFP4 W4A16 методом GPTQ с активациями bf16; отдельные компоненты сохранены в bf16. Размер модели на диске составляет около 2,7 ГиБ против 7,7 ГиБ у базовой bf16-версии, что снижает требования к памяти, но на SM120 выигрыш относится главным образом к занимаемому объёму, а не к скорости вычислений.

По представленным оценкам, относительно базовой bf16-модели качество снизилось примерно на 4,3 процентного пункта в HumanEval-instruct и на 2,0 пункта в MBPP. GPTQ заметно сохраняет качество лучше, чем округление RTN, однако для максимального сохранения исходных характеристик рекомендуется FP8-версия базовой модели. Для запуска требуются vLLM, внешний плагин Spark2_5 и параметр trust_remote_code; заявлена поддержка tool calling. Модель распространяется по лицензии Apache-2.0.

Для каких профессий подходит12

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

Spark-X2.5-4B — NVFP4 W4A16 (GPTQ)

NVFP4 weight-only (W4A16) quantization of XHToken/Spark-X2.5-4B — 4-bit float weights in 16-element blocks with FP8 block scales, activations in bf16. lm_head and every self_attn.g_proj (the head-wise attention-output gate) kept in bf16, matching XHToken's own INT8 exclusion set. Rounding is GPTQ (Hessian-aware), not RTN — this matters a lot here (see the eval). Produced with llm-compressor 0.13.

  • 2.7 GiB on disk (bf16 base is 7.7 GiB — ~65 % smaller)
  • The first NVFP4 / 4-bit compressed-tensors build of Spark-X2.5-4B
  • Serves on vLLM on Blackwell via the out-of-tree Spark2_5 plugin (below); on SM120 the weight-only path decodes through the Marlin kernel to a bf16 GEMM (no native FP4 compute), so the benefit here is footprint, not raw speed
  • Leaves ~10 GiB of KV headroom on a 16 GB card — room for a large slice of the 1 M-token context window

Evaluation

lm-evaluation-harness, vLLM 0.26 backend (+ Spark2_5 plugin), greedy decoding, median of 3 draws with the range (the harness is non-deterministic run-to-run even at greedy — a single draw is not a reproducible score). HumanEval-instruct pass@1 / create_test (n = 164); MBPP base 3-shot (n = 500). RTX 5070 Ti (Blackwell, SM120).

buildHumanEval-instMBPP (3-shot)sizeΔ HE / MBPP vs bf16
bf16 base79.88 % (79.88–81.10)48.80 % (48.60–48.80)7.7 GiB—
NVFP4-W4A16 GPTQ (this)75.61 % (73.78–76.22)46.80 % (46.40–46.80)2.7 GiB−4.3 / −2.0 pp
NVFP4-W4A16 RTN71.34 % (70.73–71.95)33.20 % (32.60–33.80)2.7 GiB−8.5 / −15.6 pp

GPTQ rounding is doing real work on this model — plain RTN loses 8.5 pp on HumanEval and collapses on MBPP (−15.6 pp, 33 %). GPTQ recovers +4.3 pp / +13.6 pp, landing at −4.3 pp HumanEval and −2.0 pp MBPP (the MBPP Wilson intervals overlap the bf16 baseline). For a 4-bit build at 65 % smaller, that is a usable trade. If you want maximum quality retention, XHToken's own FP8 build is the safer choice.

Serving (vLLM + out-of-tree plugin)

Spark2_5ForCausalLM is not in the vLLM model registry. Install the general plugin into the same environment as vLLM:

git clone https://github.com/XHToken/Spark-plugin
pip install -e ./Spark-plugin --no-deps
pip install -U "openai>=2.25.0"

Then serve:

vllm serve Ttimms/Spark-X2.5-4B-NVFP4 \
  --trust-remote-code \
  --enforce-eager \
  --max-model-len 32768 \
  --kv-cache-dtype fp8 \
  --enable-auto-tool-choice --tool-call-parser spark25

On WSL, also set VLLM_USE_V2_MODEL_RUNNER=0 (the V2 runner needs UVA, which WSL disables). --enforce-eager is the safe default on SM120; weight-only NVFP4-W4A16 also runs with CUDA graphs.

Method & provenance

  • Quantizer: llm-compressor 0.13, GPTQModifier(scheme="NVFP4A16", targets="Linear", dampening_frac=0.1), ignore lm_head + re:.*self_attn\.g_proj + tied embeddings. Calibration: 512 samples of theblackcat102/evol-codealpaca-v1 (code, disjoint from the eval sets), 2048 tok.
  • Base: XHToken/Spark-X2.5-4B (Spark2_5ForCausalLM, ~4.1 B, hybrid sliding/full attention, head-wise attention-output gate, 1 M context, Apache-2.0).
  • Built and evaluated on an RTX 5070 Ti (Blackwell, SM120), vLLM 0.26 + the Spark2_5 plugin.

License

Apache-2.0, inherited from XHToken/Spark-X2.5-4B.

Как запустить

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

GPU в ailist

vLLM

Нельзя запустить

Модели нужен код из репозитория; запуск откроется после проверки совместимости.

Класс архитектуры
Spark2_5ForCausalLM
Ревизия весов
8a49cbb

0 моделей