/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
3,7 млрд
Размер весов
8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B
Опубликована
15 сен 2026

Qwen3-4B-RECAP-W4A4KV4-Prefix12K

Генерация текстаТекст → текст3 профессии

Экспериментальный вариант Qwen3-4B с конфигурацией FlatQuant W4A4KV4 для исследований низкоразрядной генерации текста и диалогов.

304скачиваний за 30 дней0лайковвеса обновлены15 сен 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

Экспериментальный чекпойнт Qwen3-4B из проекта RECAP, подготовленный с FlatQuant для генерации текста и диалогов. Модель содержит около 3,7 млрд параметров; базовая модель — Qwen/Qwen3-4B. Веса хранятся в BF16, а конфигурация задаёт фиктивную квантизацию: 4-битные веса, активации, ключи и значения KV-кэша. Вариант использует калибровочный префикс 12 288 токенов; это не максимальная длина контекста. В конфигурации указано ограничение позиции 40 960 токенов, но качество на полной длине контекста не проверялось.

Чекпойнт предназначен для экспериментов с низкоразрядной генерацией текста на основе Qwen3, в том числе в диалоговом режиме. Для его запуска нужна совместимая реализация RECAP Qwen3 FlatQuant и специальная регистрация архитектуры в vLLM; обычная загрузка через Transformers или неизменённый vLLM не воспроизводит заданное поведение квантизации. README сообщает о тесте загрузки, короткого prefill и декодирования с кэшем, но не подтверждает прирост скорости или качества. Лицензия — Apache-2.0.

Сценарии применения

  • эксперименты с 4-битной генерацией текста на базе Qwen3
  • тестирование диалоговой языковой модели с квантизацией KV-кэша
  • исследование влияния калибровки FlatQuant на генерацию
  • проверка интеграции Qwen3 FlatQuant с совместимой сборкой vLLM

Ограничения

Это fake-quantization чекпойнт с BF16-тензорами, а не упакованные INT4-веса; он сам по себе не гарантирует меньший расход памяти или ускорение целочисленными ядрами. Требуется совместимая реализация RECAP FlatQuant, а качество на всём заявленном контексте в 40 960 токенов не оценивалось.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-4B — FlatQuant W4A4KV4 with a 12K calibration prefix

September 13, 2026 prefix12k-no-kv ablation from the RECAP project. This checkpoint quantizes Qwen/Qwen3-4B with FlatQuant using a 12,288-token dynamic prefix and a 4,096-token active calibration block. The repository name refers to the RECAP project; KV read-geometry calibration and its auxiliary loss are disabled in this variant (kv_curvature_method=none, kv_curvature_lambda=0). The experiment label no-kv means no KV-curvature auxiliary loss. Key and value quantization remain enabled at 4 bits.

Quantization

ComponentPrecision and configuration
Linear weights4-bit, symmetric, per output channel; w_groupsize=-1
Activations4-bit, asymmetric, per token; a_groupsize=-1
Keys4-bit, asymmetric, group size 128
Values4-bit, asymmetric, group size 128
Queries16-bit; no low-bit query quantization
Scale formatFP32
Quantization scopeall, across all 36 decoder layers

Learned weight/activation clipping and learned FlatQuant transforms are enabled. This is a fake-quantization checkpoint stored as BF16 tensors, with the custom runtime applying the configured activation and KV quantization. It is not a packed INT4 checkpoint and does not imply packed INT4 memory use or integer-kernel speedups. The original 11 model files total 8,081,007,426 bytes (about 8.08 GB).

Calibration

  • Data: Qwen3-4B-generated reasoning trajectories from NuminaMath-1.5; 64 training examples and 8 held-out examples.
  • Dynamic prefix: 12,288 tokens; active block: 4,096 tokens; total calibration window: 16,384 tokens, with tiled position coverage.
  • 32 epochs; seed 0; batch size 4; microbatch size 1; learning rate 0.005.
  • Hessian weighting, CBI weighting, KV-curvature loss, SGAS joint optimization, and end-to-end KL tuning are disabled.

12K describes the calibration prefix, not the model's maximum context length. The exported configuration sets max_position_embeddings=40960. The recorded smoke test configured this context limit and checked short prefill and cached decoding; it was not a full 40,960-token quality evaluation.

See calibration_summary.json for structured settings and provenance. Calibration data and training logs are not distributed here.

Loading requirements

The architecture is Qwen3FlatQuantForCausalLM and its quantization settings live in fake_quant_config. Inference requires a compatible RECAP Qwen3 FlatQuant implementation and explicit registration of that custom architecture with vLLM. Generic Transformers loading or an unmodified vLLM installation does not reproduce this checkpoint's quantization behavior.

The local validated environment uses PyTorch 2.7.0+cu128, Transformers 4.51.3, and a vLLM 0.9.0+sm120 build. Use a vLLM build appropriate for your GPU and a compatible RECAP runtime. The evaluated runtime includes local changes beyond the recorded project Git commit; a checkout of that commit alone is not a verified loading recipe.

Keep both model-00001-of-00002.safetensors and model-00002-of-00002.safetensors, model.safetensors.index.json, flat_matrices.pth, and all configuration/tokenizer files together. The matrix file contains transforms and clipping parameters for all 36 layers and is required by the custom loader.

Validation confirmed all 398 indexed weight tensors are present, all 36 matrix records load, and the tokenizer/chat template loads locally. An existing runtime smoke test passed full checkpoint loading, short prefill, cached decode, and finite log probabilities.

License

Derived from Qwen3-4B under the Apache 2.0 license. See LICENSE. The base weights were transformed and quantized using the FlatQuant calibration recipe described above.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3FlatQuantForCausalLM
Ревизия весов
ac910cc

0 моделей