Характеристики

Лицензия: Apache 2.0
Базовая модель: Nanbeige4.2-3B-heretic
Опубликована: 22 июл 2026

Ссылки

Nanbeige4.2-3B-heretic-GGUF

Генерация текстаТекст → текст8 профессий

WaveCut/Nanbeige4.2-3B-heretic-GGUF — набор GGUF-квантизаций модели WaveCut/Nanbeige4.2-3B-heretic, разработанный WaveCut.

465скачиваний за 30 дней15лайковвеса обновлены23 июл 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, включая агентные и программные сценарии; в качестве примера использования приведено написание надёжного retry-хелпера на Python. Доступны варианты Q4_K_M, Q5_K_M, Q6_K и Q8_0, рассчитанные на разный баланс компактности, скорости и качества. Q4_K_M рекомендован как компактный вариант, Q5_K_M — как сбалансированный, Q6_K — как высококачественная K-квантизация, а Q8_0 — как почти без потерь.

Nanbeige 4.2 использует циклический Transformer: 22 физических слоя выполняются дважды. Квантизации K-типа откалиброваны с помощью importance matrix на детерминированно перемешанном корпусе данных для агентных и программных задач. В README не указаны поддерживаемые языки и максимальная длина контекста. Для запуска требуется llama.cpp с поддержкой Nanbeige, проверенной на указанной ветке и ревизии либо более новой сборке с эквивалентной поддержкой.

Основные преимущества модели — несколько вариантов квантизации, возможность выбрать компромисс между размером, скоростью и качеством, а также оптимизация калибровки под агентные и coding-сценарии. Ограничения включают зависимость от совместимой реализации llama.cpp и потенциальные потери качества, характерные для квантизованных вариантов; точные размеры файлов и результаты производительности в README не приведены. Модель распространяется по лицензии Apache-2.0.

Для каких профессий подходит8

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей II.3Разработка и данныеРефакторинг, миграция и модернизацияAI помогает улучшать структуру программ и переносить их на новые технологии без потери поведения.20 задач9 764модели

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Nanbeige4.2-3B Heretic GGUF

Selected 4-bit-and-up GGUF quantizations of WaveCut/Nanbeige4.2-3B-heretic.

File	Role
`Nanbeige4.2-3B-heretic-Q4_K_M.gguf`	Recommended compact mixed-precision default
`Nanbeige4.2-3B-heretic-Q5_K_M.gguf`	Recommended quality/speed balance
`Nanbeige4.2-3B-heretic-Q6_K.gguf`	High-quality K-quant
`Nanbeige4.2-3B-heretic-Q8_0.gguf`	Near-lossless quality anchor

No legacy Q4_0, Q5_0, or redundant same-bit variants are included.

The K-quants were calibrated with an importance matrix built from a deterministically shuffled agentic/coding corpus. Sources and revisions:

TIGER-Lab/SWE-QA-Pro-SFT-Trajectories at b8f5b8a8dcf90bca8b6d70adedac0d20dca02b86.
nvidia/OpenCodeReasoning at 20a1ca19c0d050fe9057fc08339d6b370ec1c67a.

Corpus SHA-256: a7cfdbe02c124304bf1282bbd5ed7162bfa72dec6750b60ed2d3a68000c7a554. The imatrix input takes 256 evenly spaced corpus records, truncates each to 1,024 tokens, and processes 256 context-1,024 input chunks with special-token parsing. Nanbeige's two execution loops produce 512 internal imatrix passes. The derived text SHA-256 is de99993785d460f0c48a8c35d36b764ef217ee227d6354cbeae0dc2cb155a30e.

Compatibility

Nanbeige 4.2 is a looped Transformer: 22 physical layers are executed twice. These files were converted and validated with Nanbeige's llama.cpp branch at revision 26cfdc4409cfc67d27be9b71c9de79adaf5f306f. Use that revision or a newer llama.cpp build containing equivalent Nanbeige support.

./llama-cli \
  -m Nanbeige4.2-3B-heretic-Q5_K_M.gguf \
  -cnv -p "Write a robust retry helper in Python."

Exact file sizes, SHA-256 hashes, imatrix settings, and smoke-test throughput are recorded in release-manifest.json.

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: 6baabe7