/ Модель

Характеристики

Лицензия
MIT
Базовая модель
Ling-3.0-tiny
Библиотека
llama-cpp
Опубликована
20 авг 2026

Ling-3.0-Tiny-NVFP4-GGUF

Генерация текстаТекст → текст12 профессий

Квантизированная GGUF-версия гибридной MoE-модели Ling-3.0-tiny для диалогов, рассуждений и вызова инструментов при локальном запуске.

147скачиваний за 30 дней0лайковвеса обновлены20 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

Ling-3.0-Tiny-NVFP4-GGUF — квантизированная в формат GGUF версия модели inclusionAI/Ling-3.0-tiny, опубликованная WhiskyAKM. Это компактная гибридная MoE-модель с архитектурой hybrid-linear: в ней чередуются Kimi Delta Attention и Multi-Head Latent Attention, а блок FFN использует 128 маршрутизируемых экспертов. Всего модель содержит 7,9 млрд параметров, из которых на каждом токене активны 1,3 млрд; контекстное окно — 256 тысяч токенов.

Модель предназначена для диалогов, рассуждений и вызова инструментов, включая локальный запуск через llama.cpp. Она поддерживает английский и китайский языки, а режим рассуждений можно включать и отключать. Представлен файл с квантизацией NVFP4, рассчитанной на ускорение на оборудовании NVIDIA с поддержкой FP4. Лицензия — MIT. Качество и скорость могут зависеть от аппаратного ускорения и используемой конфигурации llama.cpp.

Сценарии применения

  • диалоговый помощник на английском или китайском языке
  • ответы на вопросы с использованием длинного контекста
  • генерация ответов с пошаговым режимом рассуждений
  • вызов функций и инструментов из чат-приложения
  • локальный запуск компактной языковой модели на оборудовании NVIDIA с поддержкой FP4

Ограничения

Модель описана как поддерживающая английский и китайский; поддержка русского языка в карточке не заявлена. Квантизация NVFP4 ориентирована на оборудование NVIDIA с поддержкой FP4, поэтому ускорение на других устройствах может быть недоступно.

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

Ling-3.0-tiny NVFP4 GGUF

GGUF quantized version of inclusionAI/Ling-3.0-tiny, a lightweight hybrid reasoning MoE model with 7.9B total parameters and 1.3B active parameters per token, supporting English and Chinese, with a 256K context window, tool-calling, and a built-in thinking/reasoning mode.

Model Overview

Ling-3.0-tiny is a hybrid-linear MoE model built on a native hybrid linear attention architecture, featuring a 3:1 alternating stacking of Kimi Delta Attention (KDA) and Multi-Head Latent Attention (MLA), combined with a sparse MoE FFN comprising 128 routed experts. With 7.9B total parameters and 1.3B activated parameters per token, it balances long-context modeling capability and computational efficiency for local and resource-constrained deployment.

The model uses a Bailing V3-style conversation format with role-based delimiters (<role>SYSTEM</role>, <role>HUMAN</role>, <role>ASSISTANT</role>, <role>OBSERVATION</role>) separated by <|role_end|>. It supports special tokens for thinking/reasoning (controlled via detailed thinking on / detailed thinking off in the system prompt, with reasoning output between think/answer tokens) and tool calling (function blocks with parameter tags).

Model Architecture

PropertyValue
ArchitectureHybrid-linear MoE
Total Parameters7.9B
Activated Parameters1.3B
Attention Stacking3 KDA : 1 MLA
Routed Experts128
Activated Experts8 + 1 shared
Context Length262,144 (256K)
Original Precisionbfloat16
Supported Languagesen, zh

Available GGUF Files

FileQuantizationUse Case
ling-3.0-tiny-nvfp4.ggufNVFP4Optimized for NVIDIA FP4 hardware acceleration

Usage

llama.cpp CLI

./llama-cli \
  -m ling-3.0-tiny-nvfp4.gguf \
  -p "Explain quantum computing in simple terms." \
  --temp 1.0 --top-p 0.95 --top-k 20

llama-server (OpenAI-compatible API)

./llama-server \
  -m ling-3.0-tiny-nvfp4.gguf \
  --host 0.0.0.0 --port 8080

Thinking Mode

Thinking mode is enabled by default. The model outputs its reasoning between think and answer tokens before providing the final answer. To control thinking behavior, include detailed thinking on or detailed thinking off in the system prompt. When using an OpenAI-compatible API, you can also pass "chat_template_kwargs": {"enable_thinking": false} to disable thinking per request.

Tool Calling

The model supports function/tool calling. Tool definitions are injected into the system prompt within <tools></tools> XML tags, and the model responds with function blocks containing parameter elements. Tool results are returned via the observation role channel.

Generation Parameters

Recommended parameters from the original model:

ParameterValue
Temperature1.0
Top-P0.95
Top-K20

Quantization

This GGUF file was created from the BF16 source model using llama-quantize from the llama.cpp project.

Acknowledgements

License

MIT License

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
fb6cdb0

0 моделей