/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-27B
Библиотека
transformers
Опубликована
15 авг 2026

Qwen3.8-27B-Quark-Qronos-INT4-W4A16

Изображение и текст → текст14 профессий

amd/Qwen3.8-27B-Quark-Qronos-INT4-W4A16 — это квантизированная версия базовой модели Qwen/Qwen3.8-27B, разработанная с использованием AMD Quark и алгоритма Qronos.

784скачиваний за 30 дней3лайкавеса обновлены28 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 «Изображение → 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

Модель предназначена для задач генерации текста и, согласно метаданным, имеет pipeline image-text-to-text. Она рассчитана на запуск в совместимых inference-средах, включая vLLM с поддержкой схемы W4A16Int4.

Модель использует INT4-квантизацию весов с group size 128, тогда как активации сохраняются в формате BF16. Квантизация выполнена методом посттренировочной оптимизации Qronos на основе Hessian, с калибровкой по 128 образцам длиной 512 токенов. Размер базовой модели — 27B параметров. Сведения о поддерживаемых языках и размере контекстного окна в README не указаны.

По приведённым измерениям, качество близко к BF16-версии: на GSM8K получено 94,62% в thinking-режиме и 89,99% в non-thinking-режиме, perplexity Wikitext составила 8,6819, а точность BFCL для single_turn — 23,80%. Основное преимущество — снижение точности представления весов до INT4 при сохранении большей части качества базовой модели. Ограничения включают зависимость от Quark-совместимого runtime, необходимость поддержки W4A16Int4 и неполную сопоставимость отдельных бенчмарков с публичными рейтингами.

Модель распространяется по лицензии Apache 2.0, унаследованной от базовой Qwen/Qwen3.8-27B.

Для каких профессий подходит14

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

Qwen3.8-27B-Quark-Qronos-INT4-W4A16

INT4 weight-only (W4A16) quantized version of Qwen/Qwen3.8-27B, produced with the Qronos algorithm using AMD Quark.

  • Weights: INT4, group size 128
  • Activations: BF16 (unquantized)
  • Algorithm: Qronos (Hessian-based post-training quantization)
  • Calibration: 128 samples, sequence length 512
  • Base model: Qwen/Qwen3.8-27B (Apache 2.0)

Benchmark results

BenchmarkSettingThis model (Qronos)BF16 baseRecovery %
GSM8K, 5-shot (flexible-extract / strict-match)Thinking: temperature=1.0, top_p=0.95, top_k=20, min_p=0.0, presence_penalty=0.0, repetition_penalty=1.0, max_gen_toks=819294.62% / 94.69%93.33% / 93.33%101.4%
GSM8K, 5-shot (flexible-extract / strict-match)Non-thinking: temperature=0.7, top_p=0.80, top_k=20, min_p=0.0, presence_penalty=1.5, repetition_penalty=1.0, max_gen_toks=819289.99% / 89.84%90.67% / 89.76%99.2%
Wikitext perplexityGreedy8.68198.436497.2%
BFCL Overall Acc (single_turn)*Greedy (harness default)23.80%24.38%97.6%

* BFCL Overall Acc reflects only single_turn categories, not the full Gorilla-leaderboard formula (multi-turn/web-search/memory categories were not run and would count as 0 against the public leaderboard's own Overall Acc). Sub-metrics: Non-Live AST 85.17% (base 88.52%), Live AST 82.09% (base 83.05%), Relevance Detection 62.50% (base 75.00%), Irrelevance Detection 70.79% (base 72.22%).

Recovery % = quantized / BF16-base, using flexible-extract for GSM8K rows and base/quantized (inverted, since lower is better) for perplexity — both measured by us against verified-upstream Qwen/Qwen3.8-27B weights, not vendor-reported numbers. GSM8K uses lm-evaluation-harness; non-thinking mode is approximated by pre-closing an empty <think></think> block in the prompt, since the harness task is a raw few-shot completion rather than a chat-templated request. BFCL run via the official bfcl_eval harness.

Eval command

GSM8K, thinking mode, via lm-evaluation-harness's native vLLM backend:

lm-eval run \
  --model vllm \
  --model_args pretrained=amd/Qwen3.8-27B-Quark-Qronos-INT4-W4A16,tensor_parallel_size=1,dtype=auto,gpu_memory_utilization=0.4,enforce_eager=True,trust_remote_code=True \
  --tasks gsm8k \
  --num_fewshot 5 \
  --gen_kwargs max_gen_toks=8192,do_sample=True,temperature=1.0,top_p=0.95,top_k=20,min_p=0.0,presence_penalty=0.0,repetition_penalty=1.0 \
  --batch_size auto \
  --log_samples

GSM8K, no-thinking mode. The prompt suffix <think>\n\n</think>\n\n is prepended to each answer field to suppress the model's thinking preamble (see custom task yaml below).

# gsm8k_nothink.yaml
task: gsm8k_nothink
dataset_path: openai/gsm8k
dataset_name: main
output_type: generate_until
training_split: train
fewshot_split: train
test_split: test
doc_to_text: "Question: {{question}}\nAnswer: <think>\n\n</think>\n\n"
doc_to_target: "{{answer}}"
metric_list:
  - metric: exact_match
    aggregation: mean
    higher_is_better: true
    ignore_case: true
    ignore_punctuation: false
    regexes_to_ignore: [",", "\\$", "(?s).*#### ", "\\.$"]
generation_kwargs:
  until: ["Question:", "</s>", "<|im_end|>"]
  do_sample: false
  temperature: 0.0
repeats: 1
num_fewshot: 5
filter_list:
  - name: "strict-match"
    filter: [{function: "regex", regex_pattern: "#### (\\-?[0-9\\.\\,]+)"}, {function: "take_first"}]
  - name: "flexible-extract"
    filter: [{function: "regex", group_select: -1, regex_pattern: "(-?[$0-9.,]{2,})|(-?[0-9]+)"}, {function: "take_first"}]
metadata: {version: 3.0}
lm-eval run \
  --model vllm \
  --model_args pretrained=amd/Qwen3.8-27B-Quark-Qronos-INT4-W4A16,tensor_parallel_size=1,dtype=auto,gpu_memory_utilization=0.4,enforce_eager=True,trust_remote_code=True \
  --tasks gsm8k_nothink \
  --include_path <dir containing gsm8k_nothink.yaml> \
  --num_fewshot 5 \
  --gen_kwargs max_gen_toks=8192,do_sample=True,temperature=0.7,top_p=0.80,top_k=20,min_p=0.0,presence_penalty=1.5,repetition_penalty=1.0 \
  --batch_size auto \
  --log_samples

--gen_kwargs on the CLI overrides the YAML task's own generation_kwargs defaults (greedy) with the instruct-mode recommended sampling parameters used for the non-thinking scores above.

Quantization command

python3 quantize_quark.py \
  --model_dir Qwen/Qwen3.8-27B \
  --output_dir Qwen3.8-27B-Quark-Qronos-INT4-W4A16 \
  --quant_scheme int4_wo_128 \
  --num_calib_data 128 \
  --seq_len 512 \
  --quant_algo qronos \
  --model_export hf_format \
  --data_type auto \
  --device cuda

Run from Quark/examples/torch/language_modeling/llm_ptq using AMD Quark with native qwen3_5 architecture support for Qronos (contributed upstream).

Serving

Requires a Quark-compatible inference runtime with W4A16Int4 scheme support (#48606 and #46110).

vllm serve amd/Qwen3.8-27B-Quark-Qronos-INT4-W4A16 \
  --trust-remote-code \
  --tensor-parallel-size 1 \
  --reasoning-parser qwen3

Citation

Quantized using the Qronos algorithm (Zhang et al., ICLR 2026):

@inproceedings{zhang2026qronos,
  title={Qronos: Correcting the Past by Shaping the Future... in Post-Training Quantization},
  author={Zhang, Shihao and Zhang, Haoyu and Colbert, Ian and Saab, Rayan},
  booktitle={International Conference on Learning Representations (ICLR)},
  year={2026},
  url={https://arxiv.org/abs/2505.11695}
}

License

Modifications Copyright(c) 2026 Advanced Micro Devices, Inc. All rights reserved.

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
649ca9d

0 моделей