/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5_moe · dense
Базовая модель
Qwen3.5-122B-A10B-abliterated
Библиотека
transformers
Опубликована
29 мар 2026

Qwen3.5-122B-A10B-abliterated-NVFP4

Генерация текстаТекст → текст14 профессий

Qwen3.5-122B-A10B-abliterated-NVFP4 — производная версия модели wangzhang/Qwen3.5-122B-A10B-abliterated, основанной на Qwen/Qwen3.5-122B-A10B.

828скачиваний за 30 дней4лайкавеса обновлены29 мар 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

Репозиторий поддерживается автором bjk110 и предназначен для локального запуска и сервинга текстовой генерации.

Модель использует архитектуру Qwen3.5 MoE с 256 маршрутизируемыми экспертами, из которых активно 10 млрд параметров. Она поддерживает английский, корейский, китайский и японский языки. Контекстное окно может достигать 131 072 токенов при использовании указанной конфигурации vLLM. Это текстовая версия мультимодальной архитектуры: в данном чекпойнте присутствуют только текстовые веса, поэтому мультимодальные сценарии не поддерживаются.

Основное изменение — квантизация NVFP4 с использованием compressed-tensors. Квантизированы маршрутизируемые и общие эксперты, а также self-attention; linear attention, эмбеддинги, нормализации и гейты сохранены в BF16. Размер уменьшен с 228 ГБ в BF16 до 71,2 ГБ, формат хранения — safetensors в двух шардах. Сильными сторонами являются существенное снижение требований к памяти и совместимость с NVFP4 MoE-ядром vLLM. Ограничения включают необходимость специального патча vLLM, зависимость от совместимого оборудования NVIDIA и отсутствие мультимодальных возможностей; заявленные показатели производительности проверены на NVIDIA DGX Spark и не гарантируются для других конфигураций. Модель распространяется по лицензии Apache-2.0.

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

Qwen3.5-122B-A10B-abliterated-NVFP4

NVFP4 (4-bit floating point) quantized derivative of wangzhang/Qwen3.5-122B-A10B-abliterated, which itself is derived from Qwen/Qwen3.5-122B-A10B.

This repository provides a modified derivative checkpoint for local inference and serving. The primary changes in this repository are NVFP4 quantization, weight repacking / export formatting, and serving compatibility adjustments.

Model Details

PropertyValue
Intermediate Base Modelwangzhang/Qwen3.5-122B-A10B-abliterated
Original Base ModelQwen/Qwen3.5-122B-A10B
ArchitectureQwen3.5 MoE (256 routed experts, 10B active)
QuantizationNVFP4 (compressed-tensors, nvfp4-pack-quantized)
Original Size228 GB (BF16)
Quantized Size71.2 GB (69% reduction)
Formatsafetensors (2 shards)

Quantization Method

This model was quantized using a template-based weight replacement approach:

  1. Reference Template: RedHatAI/Qwen3.5-122B-A10B-NVFP4 — a calibrated NVFP4 checkpoint of the original (non-abliterated) Qwen3.5-122B-A10B, produced by llm-compressor with proper calibration data.
  2. Weight Replacement: Each quantized tensor (weight_packed and weight_scale) was regenerated from the abliterated BF16 weights using the reference checkpoint's weight_global_scale and input_global_scale values.
  3. Format Preservation: The reference checkpoint's config.json, quantization_config, global scales, and all metadata were preserved unchanged, ensuring full compatibility with vLLM's CUTLASS NVFP4 MoE kernel.

What is Quantized

ComponentFormatNotes
Routed experts (gate/up/down_proj)NVFP4256 experts × 48 layers × 3 projections
Shared expertsNVFP448 layers × 3 projections
Self-attention (q/k/v/o_proj)NVFP412 full-attention layers
Linear attentionBF1636 layers, kept at full precision
Embeddings, norms, gatesBF16Kept at full precision

Serving with vLLM

This model requires a text-only compatibility patch for vLLM since Qwen3.5 MoE is a multimodal architecture but this checkpoint contains only text weights.

Quick Start

# 1. Download the model
huggingface-cli download bjk110/Qwen3.5-122B-A10B-abliterated-NVFP4

# 2. Apply the text-only patch before starting vLLM
python vllm_patches/patch_qwen35_moe_text.py

# 3. Serve with vLLM
vllm serve /path/to/model \
    --served-model-name Qwen3.5-122B-A10B-abliterated-NVFP4 \
    --max-model-len 131072 \
    --max-num-seqs 4 \
    --gpu-memory-utilization 0.90 \
    --trust-remote-code \
    --enable-prefix-caching \
    --enable-chunked-prefill \
    --reasoning-parser qwen3

### Docker Compose (Recommended)

A complete Docker Compose setup is provided in the `serving/` directory:

```bash
# Copy serving files
cp -r serving/ /path/to/your/vllm-setup/

# Edit .env to set MODEL_PATH
vim serving/.env

# Start
cd serving && docker compose --profile head up -d

See serving/ directory for:

  • docker-compose.yml — Full vLLM serving configuration
  • .env.example — Environment variables template
  • entrypoint.sh — Entrypoint with automatic patch application

Hardware Requirements

ConfigurationMemorymax_model_lenNotes
1× NVIDIA DGX Spark (GB10)121 GiB unified131,072 (128K)Tested and verified
1× GPU with 80+ GB VRAM80 GiB~65,536Estimated

Performance (DGX Spark, TP=1)

MetricValue
Throughput14.5 tok/s average, 16.8 tok/s peak
KV Cache222K tokens (20.4 GiB)
Max Concurrency6.16× at 128K context
Model Loading~13 min (2 shards)

Referenced Models

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5MoeForConditionalGeneration
Ревизия весов
6a0a6a2

0 моделей