/ Модель

Характеристики

Контекст
262 144 токена
Параметры
7,2 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_5_moe_text · MoE
Базовая модель
Qwen3.5-122B-A10B-abliterix
Опубликована
19 мая 2026

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

Генерация текстаТекст → текст12 профессий

Qwen3.5-122B-A10B-abliterix-NVFP4 — квантизированная версия базовой модели wangzhang/Qwen3.5-122B-A10B-abliterix, подготовленная пользователем bjk110.

10 367скачиваний за 30 дней1лайквеса обновлены19 мая 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

Это текстовая MoE-модель для генерации текста и инференса через vLLM на оборудовании NVIDIA Blackwell, включая DGX Spark GB10 с архитектурой SM121. Поведение Abliterix описывается как uncensored: заявлена частота отказов 0,5%, а KL-дивергенция относительно базовой Qwen3.5-122B-A10B составляет 0,0115.

Модель содержит 122 млрд параметров при 10 млрд активных параметров и использует NVFP4-квантизацию W4A4 с группами по 16 элементов, симметричным групповым масштабированием и динамической квантизацией активаций. Формат compressed-tensors совместим с vLLM; 37 056 слоёв используют NVFP4, а 471 слой сохранён в BF16. Размер на диске составляет около 70,4 ГБ вместо примерно 230 ГБ для BF16-версии, что оставляет больше памяти для KV-кэша и позволяет запускать модель на двух узлах DGX Spark. В README указана конфигурация с tensor parallelism 2, FlashInfer-CUTLASS NVFP4 MoE backend и контекстом до 32 768 токенов.

Сильные стороны модели — существенно сниженное потребление памяти, поддержка высокопроизводительного NVFP4-бэкенда на Blackwell и сохранение заявленного uncensored-поведения базовой Abliterix-модели. Ограничения включают зависимость от совместимого стека vLLM, аппаратуры NVIDIA Blackwell и распределённого запуска; в README не указаны точные языки, результаты стандартных бенчмарков и подробные характеристики контекстного окна базовой модели. Лицензия — Apache-2.0.

Для каких профессий подходит12

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-abliterix-NVFP4

NVFP4 (W4A4) quantization of wangzhang/Qwen3.5-122B-A10B-abliterix — the 122B/A10B Abliterix-abliterated (uncensored) Qwen3.5 MoE — packaged for vLLM serving on NVIDIA Blackwell hardware (DGX Spark GB10 / SM121).

Summary

Base modelwangzhang/Qwen3.5-122B-A10B-abliterix (BF16)
QuantizationNVFP4 W4A4 — group-wise (group_size=16), tensor-group strategy, symmetric
Formatcompressed-tensors / nvfp4-pack-quantized (vLLM-native, packed 2 fp4/byte)
Weight layout (per Linear).weight_packed (uint8, packed) + .weight_scale (fp8 e4m3fn, per-group) + .weight_global_scale (float32) + .input_global_scale (float32)
Activation quantdynamic local, group_size=16, fp8 e4m3fn scale
Skipped moduleslm_head, *.mlp.gate, *.mlp.shared_expert_gate, *.embed_tokens, all *.linear_attn.* (Mamba/GDN), all visual.* (text-only model) — kept BF16
NVFP4 layers37,056
BF16 layers preserved471 (norms, biases, A_log, dt_bias, embed_tokens, lm_head, gates, linear_attn)
Shards15 × ~5.4 GB safetensors
Total size on disk70.4 GB (~32% of BF16 baseline)
Tested vLLM imageghcr.io/bjk110/vllm-spark:v022-d568
Runtime stackNGC pytorch:26.04-py3 base • PyTorch 2.12.0a0 • CUDA 13.0 • vLLM v0.21.0 + PR #35568 cherry-pick • FlashInfer v0.6.11.post3 • NCCL 2.30.4 • Triton 3.7.0 • TensorRT 5.8.1
Topology2× DGX Spark GB10, TP=2 over 200 Gbps RoCE

Why this quantization

The Abliterix-trained uncensored behavior (0.5% refusal rate, KL divergence 0.0115 vs the Qwen3.5-122B-A10B baseline) is preserved while dropping weight memory from BF16 (~230 GB) to NVFP4 (~70 GB) — fitting comfortably on two DGX Spark nodes (2 × 119 GiB unified memory) with headroom for KV-cache, with the same compressed-tensors runtime path as the FP8 sibling.

Compared to the FP8 W8A8 variant (bjk110/Qwen3.5-122B-A10B-abliterix-FP8, 116 GB), this NVFP4 build cuts another ~40% off-disk and unlocks the FlashInfer-CUTLASS NVFP4 MoE backend for higher throughput on Blackwell.

Quantization method

Direct safetensors-level conversion via convert_bf16_to_nvfp4.py, mirroring the layout of RedHatAI/Qwen3.5-122B-A10B-NVFP4 (built with llm-compressor) — but applied directly to the abliterix BF16 checkpoint, because llm-compressor 0.10 pins transformers <=4.57.6 while Qwen3.5MoeForCausalLM is only available in transformers >=5.5. The direct script needs only torch + safetensors.

For each 2D Linear weight W (shape [out, in]) not in the ignore list:

  1. Identify the fused group the Linear belongs to (if any):
    • Attention QKV: q_proj, k_proj, v_proj of the same self_attn → 3-member group
    • Expert gate-up: experts.N.{gate_proj, up_proj} → 2-member group
    • Shared-expert gate-up: shared_expert.{gate_proj, up_proj} → 2-member group
    • Everything else (o_proj, down_proj) is independent.
  2. Compute the per-tensor weight_global_scale (float32). For a fused group, all members share one global scale computed from max(abs(W)) across the entire group; vLLM merges these Linears at runtime (fused QKV / gate_up matmul) and requires a single coherent scale per merged matrix — independent per-projection scales produce garbage outputs (repeated tokens) even though the model boots.
  3. Reshape W into groups of 16 along the input dim. Compute per-group fp8 e4m3fn weight_scale (one scale per 16-element group) so that each group fits the NVFP4 [-6, 6] range after dequant.
  4. Quantize each group element to NVFP4 (e2m1), pack two values per uint8 → weight_packed.
  5. The matching input_global_scale (float32, per-tensor) is stored for the runtime to compute on-the-fly NVFP4 activation quantization.

Activations are NVFP4 W4A4 — quantized at inference time by vLLM using the stored input_global_scale with dynamic local group_size=16 (fp8 e4m3fn scale).

config.json quantization block (excerpt)

{
  "quantization_config": {
    "config_groups": {
      "group_0": {
        "format": "nvfp4-pack-quantized",
        "targets": ["Linear"],
        "weights": {
          "num_bits": 4, "type": "float", "strategy": "tensor_group",
          "group_size": 16, "symmetric": true, "dynamic": false,
          "observer": "memoryless_minmax",
          "scale_dtype": "torch.float8_e4m3fn"
        },
        "input_activations": {
          "num_bits": 4, "type": "float", "strategy": "tensor_group",
          "group_size": 16, "symmetric": true, "dynamic": "local",
          "observer": "static_minmax",
          "scale_dtype": "torch.float8_e4m3fn"
        },
        "output_activations": null
      }
    },
    "format": "nvfp4-pack-quantized",
    "ignore": [
      "re:.*lm_head",
      "re:visual.*",
      "re:model.visual.*",
      "re:.*mlp.gate$",
      "re:.*embed_tokens$",
      "re:.*shared_expert_gate$",
      "re:.*linear_attn.*"
    ],
    "quant_method": "compressed-tensors"
  }
}

Serving with vLLM

# Tested with the v022-d568 image — see DGX Spark notes below.
vllm serve bjk110/Qwen3.5-122B-A10B-abliterix-NVFP4 \
    --tensor-parallel-size 2 \
    --distributed-executor-backend ray \
    --quantization compressed-tensors \
    --moe-backend flashinfer_cutlass \
    --kv-cache-dtype fp8 \
    --max-model-len 32768 \
    --max-num-seqs 4 \
    --gpu-memory-utilization 0.88 \
    --enable-chunked-prefill \
    --reasoning-parser qwen3

--moe-backend flashinfer_cutlass selects the FlashInfer CUTLASS NVFP4 grouped-GEMM kernel for the MoE expert path — required to get the full NVFP4 speedup on Blackwell.

A single Blackwell-class GPU is not enough to hold the 70 GB weights + KV cache + activation buffers, so --tensor-parallel-size 2 (or higher) is mandatory.

DGX Spark (GB10, SM121) notes

NVIDIA DGX Spark uses SM121, which on stock vLLM v0.21.0 was excluded from the Marlin/CUTLASS NVFP4 codepaths (the gates were SM120-only). vLLM PR #35568 (commit 06d020bb6) widens those gates to the SM12x family — covering both the FP8 W8A8 and the NVFP4 dispatch paths.

With that fix applied, the boot log reports the NVFP4 kernels are bound to the SM121 GPUs and the FlashInfer-CUTLASS MoE path is selected, confirming the full Blackwell NVFP4 pipeline is active.

Runtime stack (image v022-d568)

The image is the cumulative top of the v022 forward-stack build chain, rooted in NGC nvcr.io/nvidia/pytorch:26.04-py3 (CUDA 13.0, PyTorch 2.12.0a0). Each layer corresponds to one published image tag:

Stack layerComponent / versionImage tag
BaseNGC pytorch:26.04-py3 (CUDA 13.0, PyTorch 2.12.0a0)v022-ngc2604
InferencevLLM v0.21.0v022-vllm021
FP4/FP8 attention & MoE kernelsFlashInfer v0.6.11.post3v022-fi0611
Triton3.7.0v022-trt37
TensorRT runtime5.8.1v022-tx581
Collective commNCCL 2.30.4v022-nccl234
SM121 enablementvLLM PR #35568 cherry-pick (SM120 → SM12x gates)v022-d568 ← this

Building on NGC 26.04 (vs. the older 26.03 base used by v021) gives the SM121 GPU the matching CUDA 13.0 driver/runtime split that the Blackwell NVFP4 kernels expect, and is required for FlashInfer v0.6.11.post3 (which assumes CUDA 13 headers).

Lineage

StageRepo / Tag
BF16 baselineQwen/Qwen3.5-122B-A10B
BF16 reference NVFP4 (text+vision)RedHatAI/Qwen3.5-122B-A10B-NVFP4
Abliterix abliteration (BF16)wangzhang/Qwen3.5-122B-A10B-abliterix
FP8 W8A8 abliterixbjk110/Qwen3.5-122B-A10B-abliterix-FP8
NVFP4 W4A4 (this repo)bjk110/Qwen3.5-122B-A10B-abliterix-NVFP4

Citation

@software{abliterix,
  author = {Wu, Wangzhang},
  title  = {Abliterix: Automated LLM Abliteration},
  year   = {2026},
  url    = {https://github.com/wuwangzhang1216/abliterix}
}

Acknowledgements

  • Wu Wangzhang for the Abliterix framework and the BF16 abliterated checkpoint.
  • Qwen team for the Qwen3.5-122B-A10B base model.
  • Red Hat AI for the Qwen3.5-122B-A10B-NVFP4 reference layout.
  • vLLM compressed-tensors + FlashInfer-CUTLASS NVFP4 MoE integration teams.
  • DGX Spark SM121 enablement: vLLM PR #35568 by Blake Ledden (Second Nature Computing) + contributors.

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5MoeForCausalLM
Ревизия весов
54b1961

0 моделей