/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3.8-27B
Библиотека
gguf
Опубликована
8 окт 2026

Qwen3.8-27B-TQ

Генерация текстаТекст → текст

Квантованная сборка Qwen3.8-27B в GGUF с черновой моделью DFlash2 для генерации текста и ускоренного спекулятивного декодирования через TQLLM.

1 144скачиваний за 30 дней0лайковвеса обновлены10 окт 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

YTan2000/Qwen3.8-27B-TQ — квантованная сборка Qwen3.8-27B для экспериментального движка TQLLM. В репозитории находятся веса основной модели в GGUF с тензорами TQ3/TQ4, черновая модель DFlash2 для спекулятивного декодирования и список её токенов. Исходные веса и шаблон чата созданы командой Qwen (Alibaba); исходный GGUF указан как unsloth/Qwen3.8-27B-GGUF.

Модель предназначена для генерации текста и диалогов. Автор приводит результаты GSM8K и замеры скорости на GPU с контекстом 32K, однако длина контекста не заявлена как предельная. По карточке, сборка рассчитана на видеокарты с 16 ГБ памяти. Для загрузки требуется TQLLM: стандартные llama.cpp, Ollama и LM Studio эти типы тензоров не поддерживают.

Карточка помечает выпуск движка как ожидающий, поэтому файлы пока нельзя использовать без TQLLM. Лицензия — Apache-2.0. Заявленные показатели качества и скорости приведены автором репозитория; они не являются независимой оценкой.

Сценарии применения

  • ведение диалогов с локальной языковой моделью
  • генерация и продолжение текста
  • решение задач GSM8K
  • ускорение генерации с помощью спекулятивного декодирования

Ограничения

Для загрузки требуется движок TQLLM, выпуск которого на момент карточки ожидался; стандартные llama.cpp, Ollama и LM Studio эти файлы не поддерживают. Карточка не указывает предельную длину контекста.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3.8-27B-TQ

Pending engine release - do not use yet. These files need the TQLLM engine, which is not released yet. This page will say when it is.

Qwen3.8-27B for the TQLLM engine, sized for 16 GB GPUs, with a DFlash2 draft model for exact speculative decoding.

Credits

What is in these filesCredit
Qwen3.8-27B weights, MTP head, chat templateQwen team, Alibaba (Qwen)
DFlash2 draft model weights and methodJian Chen, Yesheng Liang, Zhijian Liu, z-lab (arXiv 2602.06036)
BF16 source GGUFunsloth/Qwen3.8-27B-GGUF
Fixed chat template (embedded)froggeric, Qwen-Fixed-Chat-Templates
Rotation-based quantisation, the lineage of the TQ3 / TQ4 formatsGoogle Research, TurboQuant

Credits for the engine (KV cache, speculative decoding, kernels) will be in the TQLLM README when the engine source is released.

Files

FileSizeWhat it is
Qwen3.8-27B-TQ_S.gguf12.55 GBthe 27B model (TQ3 / TQ4 tensors)
drafters/Qwen3.8-27B-DFlash2-TQ3.gguf0.79 GBDFlash2 draft model, TQ3 weights
mtp-vocab/atx_65536.txt0.4 MBthe draft model's token list (65,536 ids)
drafters/NOTICElicence notice for the draft model
hf download YTan2000/Qwen3.8-27B-TQ Qwen3.8-27B-TQ_S.gguf drafters/Qwen3.8-27B-DFlash2-TQ3.gguf mtp-vocab/atx_65536.txt --local-dir models

Run

These files need TQLLM: their TQ3 / TQ4 tensors use TQLLM's own GGUF types (300, 301), so stock llama.cpp, Ollama and LM Studio cannot load them.

docker run --rm --gpus all -p 127.0.0.1:8086:8086 -v "$PWD/models:/models:ro" \
  -e MODEL_FILE=/models/Qwen3.8-27B-TQ_S.gguf \
  -e DRAFT_MODEL_FILE=/models/drafters/Qwen3.8-27B-DFlash2-TQ3.gguf \
  -e DRAFT_VOCAB_FILE=/models/mtp-vocab/atx_65536.txt \
  -e KV_FORMAT=tq3 -e CONTEXT=32768 -e REASONING=on -e MAX_TOKENS=4096 \
  ytan2000/tqllm:beta-5ae1388-cu13

The image runs on x86-64 (RTX 30 / 40 / 50) and arm64 (GB10 / DGX Spark). The server is OpenAI-compatible (/v1/chat/completions). All options: docker run --rm --gpus all --entrypoint tqserve ytan2000/tqllm:beta-5ae1388-cu13 --help.

  • Drafter: the draft model proposes several tokens and the 27B checks them in one pass; every accepted token is exact, so the output is the model's own text, only faster.
  • Long context: KV_FORMAT=tq3 stores the KV cache at about 3 bits per value. On 16 GB cards TqCache keeps the oldest KV in system RAM when the requested context does not fit on the GPU (exact, at a decode cost from PCIe).

Quality

TQ_S
KLD vs BF16 (mean per-token KL divergence, lower is closer)0.055
Same top token as BF1690.1 %
GSM8K (1319, greedy, thinking on)94.6 %
MMLU-Pro (291-question subset)83.2 %
GPQA Diamond (198)82.83 %
BenchLoop overall87.5

GSM8K / MMLU-Pro on GB10, GPQA / BenchLoop on RTX 3090, TQLLM release engine.

Speed (LocalMaxxing canonical prompts, DFlash2-TQ3 drafter, 32K context, thinking on, median)

Hardwarereasoning-v1 tok/scode-v1 tok/s
RTX 3090 24 GB251.7173.4
RTX 5060 Ti 16 GB (Windows 11 / WSL 2)166.5109.0
GB10 (DGX Spark)92.860.4

Decode speed with a drafter depends on the text: code and copy-heavy answers accept more drafts than open prose.

Format

TQ3 (3.125 bits per weight) and TQ4 (4.125) rotate each 128-weight block and store one FP16 scale per block plus 8- or 16-level codes; the rotation spreads outliers so one scale per 128 weights is enough. For comparison, TQ3_4S (the format of YTan2000/Qwen3.8-27B-TQ3_4S) uses 32-weight blocks with four 8-bit scales, 4.0 bits per weight.

Chat template

The file embeds the fixed Qwen chat template; no --chat-template-file is needed.

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
e376df7

0 моделей