/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3.8-27B-DFlash2
Опубликована
25 авг 2026

Qwen3.8-27B-DFlash2-ROCmFP4-FAST-GGUF

Генерация текстаТекст → текст3 профессии

Qwen3.8-27B-DFlash2-ROCmFP4-FAST-GGUF — квантованный draft-модуль, опубликованный Agention и созданный на основе z-lab/Qwen3.8-27B-DFlash2.

921скачиваний за 30 дней18лайковвеса обновлены30 авг 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 не для самостоятельной генерации, а для speculative decoding в связке с целевой моделью Qwen3.8-27B, ускоряя её инференс без изменения качества: каждый токен проверяется целевой моделью.

Модель распространяется в формате GGUF с квантованием ROCmFP4, примерно 4,25 бита на вес. Она использует специальный тип файла Q4_0_ROCMFP4_FAST и требует форка llama.cpp с поддержкой ROCmFPx; стандартная версия llama.cpp не загружает этот формат. Для работы также необходима целевая модель, совместимый режим DFlash2 и Vulkan 1.3. На AMD Strix Halo с Radeon 8060S в связке с указанной целевой моделью заявлена скорость до 65,6 токена в секунду на структурированном выводе, что в 4,7 раза выше обычной генерации.

Сильная сторона модели — существенное повышение пропускной способности, особенно при адаптивном выборе размера черновой последовательности; заявленная acceptance rate достигает 96%. Производительность зависит от оборудования, целевой модели, типа вывода и настроек, а приведённые показатели относятся к AMD Strix Halo. Модуль не имеет полного графа и не запускается отдельно. Языки, размер контекста и другие характеристики базовой модели в README не указаны. Модель лицензирована по Apache-2.0, унаследованной от базовой модели.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3.8-27B DFlash2 draft model, ROCmFP4-FAST GGUF

A 4.25 bpw ROCmFP4 requantisation of z-lab/Qwen3.8-27B-DFlash2, for use as a speculative decoding sidecar with a Qwen3.8-27B target.

Measured on an AMD Strix Halo (Radeon 8060S), paired with julianmb/Qwen-3.8-27B-ROCmFP4-FAST-GGUF: 65.6 t/s on structured output, 4.7x bare decode.

Two things to know before you download

1. This will not load in stock llama.cpp. Q4_0_ROCMFP4_FAST is GGUF file type 103, which exists only in the fork linked below. Upstream llama.cpp fails with failed to load model before it reaches the GPU. Get a prebuilt binary here:

2. This is a draft model, not a standalone one. It has no full graph of its own. Loading it by itself fails with failed to create context, which is expected. It must be passed with -md alongside a target model.

Usage

llama-server \
  -m  Qwen3.8-27B-ROCmFP4-FAST.gguf \
  -md Qwen3.8-27B-DFlash2-Q4_0_ROCMFP4_FAST.gguf \
  --spec-type draft-dflash --spec-draft-adaptive \
  --spec-draft-n-min 3 --spec-draft-n-max 7 --spec-draft-ngl 99 \
  -ngl 999 -fa on -b 2048 -ub 512 -c 32768

--spec-draft-adaptive sizes the draft from measured acceptance instead of a fixed n. It is what makes n-max 7 safe here: at a fixed n=7 acceptance collapses to 18 % and throughput drops to 20.2 t/s, while adaptive holds 96 % acceptance and reaches 65.6.

Qwen3.8-27B, FP4 target + this sidecar, greedy, 300 tokensstructured outputprose
bare decode14.0 t/s14.1 t/s
fixed draft n=341.625.4
fixed draft n=720.224.8
adaptive, n_max 7 n_min 365.6 t/s - 4.7x26.1

Speculative decoding raises throughput, not quality: the target model verifies every token, so output matches what the target would have produced on its own.

Requirements

  • The fork above, or any build with the ROCmFPx quant types
  • A Vulkan 1.3 driver. Measured on Mesa RADV 26.0.8 on gfx1151.
  • The FP4 path is tuned for AMD Strix Halo. It should run anywhere the fork builds, but the numbers above are specific to this hardware.

A note on requantising

Do not requantise a DFlash2 sidecar to Q8_0_ROCMFPX expecting parity with Q8_0. At identical bits per weight, ours scored 53.5 % acceptance against z-lab's 60.2 %. The cause is the block scale, not the codes: Q8_0 stores an fp16 scale, ROCmFPx stores a UE4M3 byte. At 8 bits per weight the coarse scale is what costs you. FP4 is a different trade and is the one measured here.

Credits

Quantized and published by Agention.

Licensed Apache-2.0, inherited from the base model.

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
97e4e25

0 моделей