/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
20,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Huihui-Qwen3.8-27B-abliterated
Библиотека
transformers
Опубликована
25 авг 2026

Huihui-Qwen3.8-27B-abliterated-NVFP4

Генерация текстаТекст → текст15 профессий

Vtuber-plan/Huihui-Qwen3.8-27B-abliterated-NVFP4 — это 4-битная NVFP4-квантизованная версия модели huihui-ai/Huihui-Qwen3.8-27B-abliterated, созданной на базе Qwen/Qwen3.8-27B.

318скачиваний за 30 дней1лайквеса обновлены26 авг 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

Квантизация выполнена с помощью NVIDIA TensorRT Model Optimizer 0.45.0; в комплект входит исправленный шаблон чата Qwen. Модель предназначена для генерации текста, диалогов, рассуждений, многоязычных задач и агентских сценариев с вызовами инструментов.

Модель использует веса NVFP4 с размером групп 16 и FP8 KV-кэш. Для калибровки применялся набор из 5349 примеров, включающий английские и многоязычные диалоги, математические задачи, длинные рассуждения и трассировки вызовов инструментов. Заявлены языки English, French и multilingual; точный максимальный размер контекста в README не указан. Размер чекпойнта составляет около 19,5 ГБ и распределён по пяти шардам.

Основное преимущество — сохранение качества чатового и агентского использования после квантизации: на GSM8K при фиксированном шаблоне чата модель показала 0,9833 против 0,9783 у базовой BF16-версии. При этом она плохо подходит для сырых few-shot-промптов без чатового режима: модель может начать рассуждение и не успеть выдать ответ при малом бюджете токенов. Рекомендуется использовать шаблон из комплекта, режим reasoning_effort medium и запас генерации от 8 тысяч токенов. При максимальном режиме xhigh возможны зацикливание и исчерпание лимита, особенно при температуре около нуля. В sglang при высокой конкуренции и длинных генерациях известна проблема падения; рекомендуется ограничивать число одновременных запросов или обновить sglang. Для запуска нужны sglang с quantization modelopt или TensorRT-LLM; обычный transformers/BF16 inference этот чекпойнт не деквантизирует. Лицензия — Apache-2.0.

Для каких профессий подходит15

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

Huihui-Qwen3.8-27B-abliterated-NVFP4

NVFP4 (4-bit) quantization of huihui-ai/Huihui-Qwen3.8-27B-abliterated, produced with NVIDIA TensorRT Model Optimizer 0.45.0 with a six-source diversity calibration set (chat / multilingual / reasoning / agentic tool-call traces / few-shot completion formats). Ships the fixed chat template from froggeric/Qwen-Fixed-Chat-Templates (v22.4).

Read this first: template default and token budget dominate benchmark scores

Every GSM8K number below is the same base model measured under different protocols:

Protocol (GSM8K)BF16 baseThis NVFP4
Raw few-shot completion, 256-token budget0.77180.5982
Chat mode, official template (defaults xhigh), 2048-token budget0.5900—
Chat mode, fixed template (defaults medium), 2048-token budget0.97830.9833
  • Real capability is intact — ~0.98 for both builds; the quantization delta is within noise.
  • The official template's xhigh default causes overthinking that exhausts any reasonable budget (0.59 for the unquantized base). The shipped template defaults to medium.
  • The 4-bit checkpoint drifts away from raw few-shot completion format (spontaneously opens <think>, then cannot fit its answer in 256 tokens). This held for four different calibration sets (raw GSM8K 0.598–0.601 in all four) — it is a property of the quantized weights, not of calibration. No impact on chat/agent usage; do not feed this model raw few-shot prompts.

Quantization

  • Format: NVFP4 weights (group size 16) + FP8 KV cache, ModelOpt 0.45.0 (hf_ptq.py), calib_seq=2048
  • Calibration (5349 samples, six sources) — build scripts in scripts/:
SourceSamplesCoverage
HuggingFaceH4/ultrachat_200k2048English chat
nvidia/Nemotron-SFT-Multilingual-v22048multilingual (hi/ja/ko/pt × code/math/stem)
Self-generated long-CoT (</think>-terminated, from Vtuber-plan/sharegpt-cleaned prefixes)675reasoning / thinking termination
GSM8K train, raw Question:/Answer: format300plain-completion format
armand0e/claude-fable-5-claude-code trajectories135agentic tool calls (Bash/Edit/WebSearch)
saidutta69/fable-5-premium (quality ≥ 0.8)143agentic tool calls / tool results
  • Excluded modules: lm_head, embeddings, linear-attention conv1d/in_proj_a/in_proj_b, MTP layers, vision tower.
  • Empty-think fix (important): both trace datasets ship with thinking stripped (empty <think> blocks). An intermediate build calibrated on those raw traces regressed badly in chat mode (GSM8K 0.6283; ~26% of generations emitted a one-line thinking preamble and then stopped). Fix: every assistant turn gets short synthetic reasoning_content and windows end only on natural boundaries (scripts/build_v4_traces.py). With the fix, chat GSM8K returned to 0.9833.

Validation: xhigh thinking-runaway gate (9 cases)

gate9_cases.json (included): FR/EN long-form × temp {0, 0.7} × reasoning_effort=xhigh, 32k budget, 8-gram decile copy-rate analysis (separates genuine extended thinking from repetition loops).

BuildClean closed stopsRunaway (cap-out / loop-death)
BF16 base7/92
This NVFP4 (v4)6/93 (all at or near temp 0)
Existing qwen3.8-27b deployment2/97

Differences vs the BF16 base are within run-to-run variance; every terminal runaway across every build occurred at or near temperature 0. At the default medium effort no runaway was ever observed in any protocol.

Known runtime issue (affects all builds of this model family on sglang)

Under 64 concurrent requests × 8192-token generations, sglang 0.5.17 crashes (0-element reshape in the linear-attention path, likely a mamba-pool retraction edge case). This is weight-independent (v2 and v4 both crash). Mitigations: lower --max-running-requests, cap per-request max_tokens, or upgrade sglang.

Usage

CUDA_VISIBLE_DEVICES=0 python -m sglang.launch_server \
  --model-path <this-checkpoint> \
  --quantization modelopt \
  --trust-remote-code \
  --mem-fraction-static 0.8
import requests
requests.post("http://127.0.0.1:30000/v1/chat/completions", json={
    "model": "Huihui-Qwen3.8-27B-abliterated-NVFP4",
    "messages": [{"role": "user", "content": "..."}],
    "temperature": 0.7,
    "max_tokens": 8192,
    # only for maximal deliberation (see gate notes):
    # "chat_template_kwargs": {"reasoning_effort": "xhigh"},
})

Tool calls: the template renders OpenAI-style tool_calls/tool history as Qwen <tool_call> XML and tolerates stringified-JSON arguments. History assistant turns render empty <think> blocks by default (canonical Qwen behavior); pass preserve_thinking=false to omit them entirely.

Plain transformers/BF16 inference will not dequantize this checkpoint; use sglang --quantization modelopt or TensorRT-LLM. 5 shards, each ≤ 5 GB (~19.5 GB total).

Deployment recommendations

  1. Leave reasoning_effort at the default (medium) — worth +39 GSM8K points over xhigh under a 2048-token budget.
  2. max_tokens headroom 8k+; the answer follows the closing </think> tag.
  3. If xhigh is required: temperature > 0, repetition_penalty ≈ 1.05, cap + retry at medium.
  4. Cap concurrency for long generations (see runtime issue above).
  5. Do not use raw few-shot completion prompts.

License

Apache 2.0 (inherited from the base). Credit to huihui-ai for the abliterated base, froggeric for the fixed chat template, and the authors of the two trajectory datasets used for calibration.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
43aa7ff

0 моделей