/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
33,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-27B
Библиотека
transformers
Опубликована
14 авг 2026

Qwen3.8-27B-GPTQ-8bit

Изображение и текст → текст15 профессий

btbtyler09/Qwen3.8-27B-GPTQ-8bit — квантизированная 8-битная версия мультимодальной модели Qwen/Qwen3.8-27B.

1 112скачиваний за 30 дней1лайквеса обновлены14 авг 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 разработана на базе семейства Qwen и распространяется пользователем btbtyler09. Она предназначена для обработки текста и изображений, генерации ответов, анализа изображений, программирования и других задач общего назначения, а также поддерживает speculative decoding через модуль MTP.

Модель имеет плотную архитектуру примерно на 27 млрд параметров без MoE, 64 слоя, включая 48 слоёв линейного внимания и 16 слоёв полного внимания, скрытый размер 5120 и контекст до 262 144 токенов. Полный vision encoder на базе ViT и MTP-модуль сохранены в формате BF16, а основные квантизируемые линейные слои текстового декодера переведены в INT8 с использованием GPTQ. Размер модели составляет около 31 ГБ против примерно 56 ГБ у исходной BF16-версии. Поддерживаются текстовая и визуальная модальности; конкретный набор языков в README не указан.

Ключевое преимущество — существенно меньшее потребление дискового пространства и видеопамяти при заявленной практически неизменной perplexity относительно BF16-оригинала. Модель рассчитана на развёртывание через vLLM и загрузку с помощью GPTQModel или transformers. Ограничения включают высокие требования к ресурсам, необходимость совместимого программного окружения и возможную проблему конфигурации в некоторых версиях vLLM, для которой в README приведён обходной патч. 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

Qwen3.8-27B GPTQ 8-bit

GPTQ 8-bit quantization of Qwen/Qwen3.8-27B, a 27B-parameter dense multimodal model. At 8 bits this is effectively lossless — measured perplexity is within noise of the BF16 original — at 60% of the disk/VRAM footprint.

Includes the full vision encoder and MTP (Multi-Token Prediction) module for image understanding and speculative decoding support. A 4-bit FOEM variant (+0.81% perplexity, 21 GB) is available at btbtyler09/Qwen3.8-27B-GPTQ-4bit.

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.

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
  • Fallback: RTN at 0.5% calibration-coverage threshold

Calibration

  • Dataset: Mixed — evol-codealpaca-v1 (code) + C4 (general English text)
  • Samples: 256, binned uniformly across context lengths 256–2048 tokens
  • Quantizer: GPTQModel v6.0.3
  • Note: this is general-purpose calibration. Calibrating on wikitext directly would yield lower wikitext perplexity but worse out-of-distribution performance; we optimized for the latter.

The exact quantization script is included in this repo as quantize.py.

Model Size

VersionSizeCompression
BF16 (original)~56 GB—
GPTQ 8-bit (this)31 GB1.8×
GPTQ 4-bit FOEM21 GB2.6×

The total includes the BF16 vision encoder (~1.2 GB) and BF16 MTP head (~0.85 GB) which are kept at full precision.

Perplexity

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

ModelPerplexityDegradation
BF16 (original)6.4457—
GPTQ 8-bit (this)6.4446-0.02% (within noise, effectively lossless)
GPTQ 4-bit FOEM6.4982+0.81%

Usage

vLLM (Recommended for Serving)

vllm serve btbtyler09/Qwen3.8-27B-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/Qwen3.8-27B-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

Loads natively under GPTQModel v6.0.3+ via the upstream Qwen3_5QModel definition (which uses AutoModelForImageTextToText and the multimodal model.language_model.layers.* weight prefix). No checkpoint patching needed.

from gptqmodel import GPTQModel
model = GPTQModel.load("btbtyler09/Qwen3.8-27B-GPTQ-8bit", trust_remote_code=True)

Note: transformers 5.x does not instantiate the MTP submodule for this architecture, so the mtp.* tensors are ignored (with a warning) when loading via transformers/GPTQModel. They are included in the checkpoint for engines that use them for speculative decoding.

Technical Notes

Qwen3.8-27B is a dense multimodal model — it shares the Qwen3_5ForConditionalGeneration wrapper with the MoE-based Qwen3.5/3.6-35B-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.

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
69bfb43

0 моделей