/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5_moe · dense
Базовая модель
Qwen3.6-35B-A3B
Библиотека
transformers
Опубликована
19 апр 2026

Qwen3.6-35B-A3B-GPTQ-8bit

Изображение и текст → текст15 профессий

btbtyler09/Qwen3.6-35B-A3B-GPTQ-8bit — это 8-битная GPTQ-квантизованная версия мультимодальной модели Qwen3.6-35B-A3B, разработанной командой Qwen.

947скачиваний за 30 дней2лайкавеса обновлены19 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 предназначена для работы с текстом и изображениями, включая понимание изображений, генерацию текста, рассуждения, вызов инструментов и поддержку speculative decoding через модуль MTP. README не указывает конкретный список поддерживаемых языков.

Модель использует архитектуру Mixture-of-Experts с примерно 35 млрд параметров, из которых около 3 млрд активируются для каждого токена. В каждом из 40 слоёв используется 256 экспертов и один общий эксперт; на токен выбираются 8 экспертов. Архитектура сочетает 30 слоёв линейного внимания и 10 слоёв полного внимания. Контекстное окно составляет до 262 144 токенов. В состав входят полноразмерный vision encoder на базе ViT с 27 блоками и модуль MTP; vision encoder и MTP сохранены в BF16, а экспертные модули квантизованы в INT8.

Ключевое преимущество версии — существенное уменьшение размера примерно с 67 до 40 ГБ при практически незаметном ухудшении perplexity относительно исходной BF16-модели. При этом для запуска требуется значительный объём видеопамяти и, согласно README, рекомендуется использовать vLLM с распределением модели минимум на несколько GPU. GPTQModel и transformers на момент публикации не поддерживают непосредственную загрузку этой мультимодальной сборки, поэтому для инференса следует использовать vLLM; также возможна необходимость исправления ошибки совместимости в некоторых версиях vLLM. Модель распространяется по лицензии Apache-2.0.

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

Qwen3.6-35B-A3B GPTQ 8-bit

GPTQ 8-bit quantization of Qwen/Qwen3.6-35B-A3B, a 35B-parameter Mixture-of-Experts (MoE) multimodal model with 3B activated parameters per token.

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

Model Overview

  • Architecture: Qwen3_5MoeForConditionalGeneration (multimodal: text + vision; same architecture as Qwen3.5)
  • Total parameters: ~35B
  • Activated parameters: ~3B per token (8 of 256 experts selected per token)
  • Layers: 40 (30 linear attention + 10 full attention, repeating 3:1 pattern)
  • Experts: 256 per layer + 1 shared expert per layer
  • Context length: 262,144 tokens
  • Vision encoder: 27-block ViT (1152 hidden, 16x16 patches), BF16
  • MTP module: 1-layer speculative decoding head, BF16

Quantization Details

All 30,720 MoE expert modules (256 experts x 3 projections x 40 layers) are quantized to INT8 using GPTQ. Non-expert modules (including the full vision encoder and MTP module) remain at BF16/FP16 for quality preservation.

ComponentPrecisionNotes
MoE experts (gate_proj, up_proj, down_proj)INT8 (GPTQ)30,720 modules quantized
Full attention (q_proj, k_proj, v_proj, o_proj)FP16Every 4th layer
Linear attention (in_proj_qkv, in_proj_z, out_proj)FP16Full precision
Shared expertsFP16Full precision
Vision encoder (model.visual.*)BF16333 tensors, full precision
MTP module (mtp.*)BF16785 tensors, full precision
Embeddings, LM head, normsFP16Full precision

GPTQ configuration:

  • Bits: 8
  • Group size: 32
  • Symmetric: Yes
  • desc_act: No
  • true_sequential: Yes
  • act_group_aware: Yes
  • Failsafe: RTN for poorly-calibrated rare experts (1,305 of 30,720 modules, ~4.25%)

Calibration

  • Dataset: Mixed - evol-codealpaca-v1 (code) + C4 (general text)
  • Samples: 2,048
  • Quantizer: GPTQModel v5.7.1

Model Size

VersionSizeCompression
BF16 (original)67 GB-
GPTQ 8-bit40 GB1.7x
GPTQ 4-bit25 GB2.7x

Perplexity

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

ModelPerplexityDegradation
BF16 (original)6.0567-
GPTQ 8-bit6.0543-0.04% (within noise; effectively lossless)
GPTQ 4-bit6.1070+0.83%

Usage

vLLM (Recommended for Serving)

vllm serve btbtyler09/Qwen3.6-35B-A3B-GPTQ-8bit \
  --gpu-memory-utilization 0.95 \
  --max-model-len 256000 \
  --tensor-parallel-size 4 \
  --reasoning-parser qwen3 \
  --enable-auto-tool-choice --tool-call-parser qwen3_coder \
  --dtype float16 \
  --skip-mm-profiling \
  --limit-mm-per-prompt '{"image": 2}'
ParameterDescription
--gpu-memory-utilization 0.95Use 95% of GPU VRAM for KV cache + weights
--max-model-len 256000Full 256K context window support
--tensor-parallel-size 4Shard across 4 GPUs (adjust to your setup)
--reasoning-parser qwen3Enable thinking/reasoning token parsing
--enable-auto-tool-choice --tool-call-parser qwen3_coderEnable tool/function calling
--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 0.15.2, Qwen3_5MoeTextConfig defines ignore_keys_at_rope_validation as a list instead of a set, causing a TypeError during config parsing. Since Qwen3.6 reuses the same qwen3_5_moe model_type, the same fix applies. 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_moe.py',
    '/usr/local/lib/python3.12/dist-packages/vllm/transformers_utils/configs/qwen3_5.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/Qwen3.6-35B-A3B-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 Qwen3_5MoeGPTQ class expects the text-only weight prefix (model.layers.*) and does not support the multimodal architecture (model.language_model.layers.*). The transformers GPTQ path delegates to optimum, which does not handle the fused-expert architecture. Use vLLM for inference.

Technical Notes

Qwen3.6-35B-A3B is architecturally identical to Qwen3.5-35B-A3B (same Qwen3_5MoeForConditionalGeneration class, model_type=qwen3_5_moe, 256 experts/layer, 40 layers, hybrid linear+full attention pattern). The same GPTQModel definition and expert converter handle both checkpoints without modification.

MoE expert weights are stored as fused 3D nn.Parameter tensors in the source model rather than individual nn.Linear modules. During quantization, GPTQModel's MODULE_CONVERTER_MAP converts these to individual quantizable nn.Linear layers. This same conversion must also run during model loading for the quantized kernels to be applied correctly.

The vision encoder (27-block ViT) and MTP speculative decoding module are preserved at full BF16 precision from the original model. Only the text model's MoE expert weights are quantized.

Credits

  • Base Model: Qwen - Qwen3.6-35B-A3B
  • Quantization: GPTQ via GPTQModel v5.7.1
  • Expert Converter: convert_qwen3_5_moe_expert_converter for fused 3D expert weights (shared with Qwen3.5)
  • Quantized by: btbtyler09

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_5MoeForConditionalGeneration
Ревизия весов
915af82

0 моделей