/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
33,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.6-27B
Библиотека
transformers
Опубликована
26 апр 2026

Qwen3.6-27B-GPTQ-8bit

Изображение и текст → текст15 профессий

btbtyler09/Qwen3.6-27B-GPTQ-8bit — это 8-битная GPTQ-квантизованная версия модели Qwen/Qwen3.6-27B, разработанной командой Qwen.

426скачиваний за 30 дней4лайкавеса обновлены26 апр 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 представляет собой плотную мультимодальную систему примерно с 27 млрд параметров, предназначенную для генерации и понимания текста, работы с изображениями и ускоренного вывода с использованием MTP (Multi-Token Prediction). Контрольная точка опубликована с лицензией Apache-2.0.

Архитектура включает 64 слоя: 48 слоёв линейного внимания GatedDeltaNet и 16 слоёв полного внимания, чередующихся в соотношении 3:1. Размер скрытого представления составляет 5120, размер промежуточного слоя — 17408, максимальная длина контекста — 262 144 токена. В состав входят полноразмерный 27-блочный ViT-энкодер для обработки изображений и MTP-модуль для speculative decoding. Языки и специализированные языковые возможности отдельно не указаны.

Линейные модули текстового декодера квантизованы в INT8 с помощью GPTQ, тогда как vision-энкодер, MTP, эмбеддинги, нормы и выходная голова сохранены в BF16 или FP16. Размер модели составляет около 32 ГБ вместо примерно 50 ГБ в BF16. По заявленным измерениям, ухудшение perplexity на wikitext-2-raw-v1 составляет всего 0,07%, что указывает на близкое к исходному качество. Модель подходит для мультимодального сервинга и длинного контекста, однако для запуска рекомендуется vLLM; прямое использование через GPTQModel и transformers на момент публикации не поддерживается, а для некоторых версий vLLM может потребоваться исправление ошибки разбора конфигурации.

Для каких профессий подходит15

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

Qwen3.6-27B GPTQ 8-bit

GPTQ 8-bit quantization of Qwen/Qwen3.6-27B, a 27B-parameter dense multimodal model.

Includes the full vision encoder and MTP (Multi-Token Prediction) module for image understanding and speculative decoding support.

Model Overview

  • Architecture: Qwen3_5ForConditionalGeneration (multimodal: text + vision; dense sibling of qwen3_5_moe)
  • Total parameters: ~27B
  • Layers: 64 (48 linear-attention + 16 full-attention, repeating 3:1 pattern)
  • Hidden size: 5120, intermediate size: 17408 (dense MLP — no MoE)
  • Context length: 262,144 tokens
  • Vision encoder: 27-block ViT, BF16 (333 tensors)
  • MTP module: 1-layer speculative decoding head, BF16 (15 tensors)

Quantization Details

All quantizable Linear modules in the text decoder are quantized to INT8 using GPTQ. The vision encoder, MTP module, norms, embeddings, and LM head remain at BF16/FP16 for quality preservation.

ComponentPrecisionNotes
mlp.{gate_proj, up_proj, down_proj}INT8 (GPTQ)All 64 layers
self_attn.{q,k,v,o}_projINT8 (GPTQ)16 full-attention layers
linear_attn.{in_proj_qkv, in_proj_z, out_proj}INT8 (GPTQ)48 linear-attention layers (GatedDeltaNet)
linear_attn.{in_proj_a, in_proj_b}FP16Tiny projections, kept at full precision
Vision encoder (model.visual.*)BF16333 tensors, full precision
MTP module (mtp.*)BF1615 tensors, full precision
Embeddings, LM head, normsFP16/BF16Full precision

GPTQ configuration:

  • Bits: 8
  • Group size: 32
  • Symmetric: Yes
  • desc_act: No
  • true_sequential: Yes
  • act_group_aware: Yes

Calibration

  • Dataset: Mixed — evol-codealpaca-v1 (code) + C4 (general text)
  • Samples: 512, binned uniformly across context lengths 256–2048
  • Quantizer: GPTQModel v5.7.1

Model Size

VersionSizeCompression
BF16 (original)~50 GB—
GPTQ 8-bit32 GB1.6×
GPTQ 4-bit (FOEM)21 GB2.4×

Perplexity

Evaluated on wikitext-2-raw-v1 (test set), seq_len=2048, stride=512:

ModelPerplexityDegradation
BF16 (original)7.0652—
GPTQ 8-bit (this model)7.0697+0.07% (effectively lossless)
GPTQ 4-bit (FOEM)7.2032+1.95%

Usage

vLLM (Recommended for Serving)

vllm serve btbtyler09/Qwen3.6-27B-GPTQ-8bit \
  --tensor-parallel-size 4 \
  --gpu-memory-utilization 0.95 \
  --max-model-len 262144 \
  --dtype float16 \
  --skip-mm-profiling \
  --limit-mm-per-prompt '{"image": 2}'
ParameterDescription
--tensor-parallel-size 4Shard across 4 GPUs (adjust to your setup)
--gpu-memory-utilization 0.95Use 95% of GPU VRAM for KV cache + weights
--max-model-len 262144Full 256K context window support
--dtype float16Run in FP16 (required for ROCm GPTQ kernels)
--skip-mm-profilingSkip multimodal memory profiling at startup
--limit-mm-per-prompt '{"image": 2}'Allow up to 2 images per request

vLLM bug workaround (may apply): Up through at least vLLM 0.19.x, Qwen3_5TextConfig defines ignore_keys_at_rope_validation as a list instead of a set, causing a TypeError during config parsing. Apply this patch before serving if you hit the error:

python3 -c "
for f in [
    '/usr/local/lib/python3.12/dist-packages/vllm/transformers_utils/configs/qwen3_5.py',
    '/usr/local/lib/python3.12/dist-packages/vllm/transformers_utils/configs/qwen3_5_moe.py',
]:
    t = open(f).read()
    t = t.replace(
        'ignore_keys_at_rope_validation\"] = [\n            \"mrope_section\",\n            \"mrope_interleaved\",\n        ]',
        'ignore_keys_at_rope_validation\"] = {\n            \"mrope_section\",\n            \"mrope_interleaved\",\n        }')
    open(f,'w').write(t)
    print('Patched', f)
"

Vision Example (via OpenAI API)

import base64, requests

with open("image.png", "rb") as f:
    b64 = base64.b64encode(f.read()).decode()

response = requests.post("http://localhost:8000/v1/chat/completions", json={
    "model": "btbtyler09/Qwen3.6-27B-GPTQ-8bit",
    "messages": [{"role": "user", "content": [
        {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{b64}"}},
        {"type": "text", "text": "Describe what you see in this image."},
    ]}],
    "max_tokens": 1024,
})
print(response.json()["choices"][0]["message"]["content"])

GPTQModel / transformers

Note: Neither GPTQModel nor transformers can currently load this model directly. GPTQModel's text-only loader expects the model.layers.* weight prefix; this checkpoint uses the multimodal layout with model.language_model.layers.* so vision and MTP weights round-trip cleanly. Use vLLM for inference.

Technical Notes

Qwen3.6-27B is a dense multimodal model — it shares the Qwen3_5ForConditionalGeneration wrapper with the MoE-based Qwen3.6-35B-A3B but uses a standard dense MLP in every decoder layer instead of an expert mixture. The text decoder alternates 3 linear-attention (GatedDeltaNet) layers with 1 full-attention layer, repeated 16 times for 64 total layers.

The vision encoder (27-block ViT) and MTP speculative decoding module are preserved at full BF16 precision from the original model. Only the text decoder's quantizable Linear modules are converted to INT8.

Quantized using a small custom GPTQModel definition (Qwen3_5GPTQ, mirror of Qwen3_5MoeGPTQ with the MoE block replaced by a dense MLP) registered under model_type=qwen3_5.

Credits

License

This model inherits the Apache 2.0 license from the base model.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Готовая квантизация поддерживается только для текстовых LLM (vLLM).

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
d7f8470

0 моделей