/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
19,3 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-9B
Библиотека
mlx
Опубликована
3 июл 2026

Qwen3.5-9B-MTP-Mixed-8bit

Изображение и текст → текст9 профессий

Смешанно-квантованная мультимодальная Qwen3.5-9B для локального диалога и анализа изображений и видео.

20скачиваний за 30 дней0лайковвеса обновлены3 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

andrzejmontano/Qwen3.5-9B-MTP-Mixed-8bit — мультимодальная модель семейства Qwen3.5 на 9 млрд параметров, подготовленная автором репозитория как смешанно-квантованная версия Qwen/Qwen3.5-9B. Она предназначена для диалога и задач «изображение—текст», включая анализ изображений и видео. Архитектура включает 32 слоя с чередованием линейного SSM-подобного внимания и полного внимания, 27-блочный визуальный трансформер и голову предсказания нескольких токенов. Модель принимает текст, изображения и видео, а выдаёт текст; в метаданных заявлены английский язык, чат и интерфейс вызова инструментов.

Для экономии памяти до 8 бит квантованы только проекции MLP языковой части с размером группы 64; визуальный блок, механизмы внимания, эмбеддинги и голова MTP сохранены в BF16. Репозиторий использует формат MLX и safetensors, модель рассчитана на эффективный локальный инференс на совместимой платформе. Автор предупреждает о возможном небольшом ухудшении качества на отдельных случаях относительно BF16. Для сохранения MTP-ключей при загрузке через стандартный mlx-vlm требуются патчи из скрипта; README рекомендует oMLX. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы по изображению
  • описание содержимого изображения
  • анализ видеокадров
  • диалог с мультимодальным ассистентом
  • вызов инструментов в агентном сценарии

Ограничения

Смешанная квантизация может немного снизить качество на отдельных примерах относительно BF16. При загрузке через стандартный mlx-vlm без патчей MTP-ключи могут быть отброшены.

Для каких профессий подходит9

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

Qwen3.5-9B-MTP-Mixed-8bit

Mixed-precision 8-bit quantization of Qwen3.5-9B — a 9B multimodal vision-language model with hybrid attention and multi-token prediction, optimized for efficient local inference with minimal quality loss.

Quick Stats

MetricValue
Base modelQwen/Qwen3.5-9B
ArchitectureQwen3.5-9B (32-layer hybrid attention VLM)
QuantizationMLP-only 8-bit, group-size=64
BF16 size~18 GB
Mixed 8-bit size~14 GB (22% reduction)
Parameters~9B
Context window262,144 tokens
LicenseApache 2.0

Quantization Strategy

This model uses surgical mixed-precision quantization: only the SwiGLU MLP projection matrices (gate_proj, up_proj, down_proj) in the language model transformer layers are quantized to 8-bit. All other components remain in BF16:

  • Quantized (8-bit): LLM MLP layers — 96 tensors across 32 layers (~66% of model mass)
  • Protected (BF16): Linear attention (24 layers), full attention (8 layers), vision tower (333 tensors), MTP head (15 tensors), embeddings, LM head, all normalization layers, linear attention SSM parameters (A_log, dt_bias, conv1d)

Rationale: MLP layers are "knowledge lookup" / feature transformation layers that are extremely quantization-tolerant. Attention mechanisms carry reasoning and context-window recall. The vision tower and MTP head are kept in full precision to preserve multimodal understanding and multi-token prediction quality.

Model Architecture

Language Model

  • 32 dense layers alternating [linear_attention × 3, full_attention × 1] × 8
  • Hybrid attention: SSM-style linear attention (24/32 layers, 75%) + full MHA with GQA 4:1 (8/32 layers, 25%)
  • Hidden size: 4096, Intermediate: 12288
  • Heads: 16Q / 4KV (GQA), Head dim: 256
  • Linear attention: key dim 128, value dim 128, conv kernel 4
  • RoPE: MRoPE interleaved, section [11, 11, 10], theta=10,000,000, partial rotary 0.25

Vision Tower (BF16)

  • 27-block ViT, hidden 1152, intermediate 4304, 16 heads
  • Patch size: 16×16, Spatial merge: 2×2
  • Output projection: 1152 → 4096 (via merger with norm + FC layers)
  • Supports image and video input (temporal patch size: 2)

MTP Head (BF16)

  • 1-layer multi-token prediction with dedicated full attention
  • Pre-FC norm (hidden + embedding), fusion linear, decoder layer (attention + MLP + norms), final norm
  • Shares embeddings with main model (mtp_use_dedicated_embeddings: false)

Tokenizer

  • Vocab size: 248,320
  • Special tokens: image (248056), video (248057), vision start (248053), vision end (248054)

Quantization Details

Script

Quantized using mixed_quantize_qwen3_5_9b_v3.py — an MTP-aware quantization pipeline that:

  1. Monkey-patches mlx_vlm to preserve MTP keys through Model.sanitize() (stock mlx_vlm strips mtp.* keys)
  2. Patches TextConfig.from_dict to retain mtp_num_hidden_layers
  3. Patches LanguageModel.__init__ to attach MTPModule when config declares MTP layers
  4. Quantizes MLP-only via nn.quantize() with surgical class predicate
  5. Writes MLX format metadata ({"format": "mlx"}) to safetensors shards

Tensor Breakdown

CategoryCountPrecision
LLM MLP (gate/up/down_proj)968-bit
Linear attention (all sub-layers)~192BF16
Full attention (q/k/v/o_proj)~64BF16
Vision tower333BF16
MTP head15BF16
Norms, embeddings, LM head, SSM params~75BF16
Total775—

MTP Key Preservation

The 15 MTP tensors are stored with mtp. prefix in the weight index (HF-style naming). When loading with patched mlx_vlm, these are renamed to language_model.mtp.* during sanitization. The keys preserved:

mtp.fc.weight
mtp.norm.weight
mtp.pre_fc_norm_hidden.weight
mtp.pre_fc_norm_embedding.weight
mtp.layers.0.{self_attn.{q,k,v,o,k_norm,q_norm}_proj.weight, mlp.{gate,up,down}_proj.weight, {input,post_attention}_layernorm.weight}

Usage

oMLX (Recommended)

Loads natively with MTP and vision support. The MLX format metadata in safetensors ensures sanitize() is skipped on reload, preserving MTP keys.

MLX / mlx-vlm

from mlx_vlm.utils import load

model, processor = load("your-username/Qwen3.5-9B-MTP-Mixed-8bit", lazy=True)
# Model loads in ~14 GB vs ~18 GB for BF16

Note: If using stock mlx_vlm without the MTP patches from the quantization script, MTP keys may be stripped during loading. Use oMLX or apply the patches.

Files

FileDescription
model-00001.safetensors – model-00007.safetensorsSharded model weights (2 GB shards)
model.safetensors.index.jsonWeight index (775 tensors, HF-style naming)
config.jsonModel configuration with quantization metadata
tokenizer.json / tokenizer_config.jsonTokenizer
chat_template.jinjaChat template
preprocessor_config.jsonVision preprocessor config
video_preprocessor_config.jsonVideo preprocessor config
processor_config.jsonProcessor config
vocab.json / merges.txtTokenizer vocabulary

Limitations

  • Mixed quantization may show minor quality degradation on edge cases compared to BF16
  • This is a direct quantization of the base model — no fine-tuning was applied after quantization
  • MTP head quality reflects the base Qwen3.5-9B model (1 prediction layer)
  • The linear attention SSM parameters (A_log, dt_bias, conv1d) are kept in BF16/FP32 as specified by the architecture; these are sensitive to precision and were explicitly protected

License

Apache 2.0 — same as Qwen/Qwen3.5-9B

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
69d85c3

0 моделей