/ Модель

Характеристики

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

Qwen3.8-27B-MXFP8

Изображение и текст → текст15 профессий

Qwen3.8-27B-MXFP8 — это квантизированная версия мультимодальной модели Qwen3.8-27B, опубликованная пользователем chriswritescode на базе модели Qwen/Qwen3.8-27B.

463скачиваний за 30 дней0лайковвеса обновлены15 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

Квантизация выполнена с помощью NVIDIA TensorRT Model Optimizer 0.45.0 по схеме MXFP8 (OCP microscaling FP8, размер блока 32). Модель предназначена для задач генерации текста и изображений с текстом, включая диалоговые сценарии, работу с кодом, мультимодальный анализ и использование инструментов через совместимые серверы инференса.

Размер контрольной точки составляет 32 ГБ в восьми сегментах. Квантизированы линейные слои языковой модели, тогда как vision tower, отдельные компоненты гибридного внимания, embed_tokens, lm_head и встроенная MTP-голова сохранены в BF16. KV-кэш не квантизирован; поддерживается speculative decoding через MTP. Заявленный контекст — до 262 144 токенов при конфигурации vLLM из README. Точные языки и полный набор модальностей базовой модели в README не описаны, однако указана проверка на многоязычных данных и наличие vision tower.

По результатам специального сравнения с BF16-версией модель показала более низкую дивергенцию, чем официальная Qwen3.8-27B-FP8, однако эти измерения характеризуют близость распределений, а не качество выполнения прикладных задач; публичные task-бенчмарки для этой контрольной точки не проводились. Практическое ограничение — аппаратная зависимость MXFP8: нативная поддержка заявлена для Blackwell (SM100+). В vLLM модель работает на SM80+ через Marlin с вычислениями в BF16, тогда как SGLang без специального пути конвертации требует SM100+. Лицензия Apache 2.0, унаследованная от базовой модели.

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-MXFP8

MXFP8 (OCP microscaling FP8, block size 32) quantization of Qwen/Qwen3.8-27B, produced with NVIDIA TensorRT Model Optimizer 0.45.0.

Checkpoint size is 32.0 GB across 8 shards.

What is quantized

Only the language-model linear layers are converted to MXFP8. 155 modules are left in BF16:

Kept in BF16Why
model.visual* (entire vision tower)Vision encoder untouched
linear_attn.conv1d, linear_attn.in_proj_a, linear_attn.in_proj_b (all 48 linear-attention layers)Hybrid-attention layers not MX-quantizable in this recipe
model.language_model.embed_tokens, lm_headStandard exclusions
mtp.*Built-in MTP draft head (849 MB)

KV cache is not quantized (kv_cache_quant_algo: null).

The built-in MTP head is preserved, so {"method":"mtp"} speculative decoding still works.

Hardware support

MXFP8 has native block-scaled tensor-core support only on Blackwell (SM100+). On older hardware, engine support varies:

  • vLLM — runs on SM80+. The Marlin kernel dequantizes weights and computes in BF16, so pre-Blackwell you get the memory footprint of FP8 with BF16 compute, not FP8 math.
  • SGLang — refuses to load below SM100 (get_min_capability() returns 100 for MXFP8); the checkpoint will not start on Ada or Hopper without forcing a block-FP8 conversion path.

This checkpoint was verified serving on 2x RTX 6000 Ada (SM 8.9) under vLLM via the Marlin path.

Serving with vLLM

vllm serve chriswritescode/Qwen3.8-27B-MXFP8 \
  --quantization modelopt_mxfp8 \
  --tensor-parallel-size 2 \
  --max-model-len 262144 \
  --reasoning-parser qwen3 \
  --enable-auto-tool-choice \
  --tool-call-parser qwen3_coder \
  --attention-backend flashinfer \
  --trust-remote-code

Evaluation: KL divergence from BF16

KL(BF16 reference ‖ candidate), full vocabulary, no top-k, over 136 held-out contexts of 2,048 tokens (278,392 scored positions). Hidden states are captured at the final norm and both operands are replayed through one shared BF16 LM head, so no candidate's own head quantization is counted. Confidence intervals are a bootstrap over the 41 source clusters, 10,000 samples.

candidatemean KLDbootstrap 95 % CImediantop-1
this checkpoint0.008471[0.006421, 0.010920]0.00179596.80 %
Qwen/Qwen3.8-27B-FP80.013365[0.009955, 0.017457]0.00243496.11 %

Paired on identical contexts, this checkpoint is −0.004894 lower, 95 % CI [−0.006547, −0.003522], winning 136 / 136 contexts — 36.6 % less divergence from BF16 than the official FP8 release.

By stratum:

stratumthis checkpointofficial FP8
literary0.015260.02473
code0.008690.01375
encyclopedic0.006070.00920
multilingual0.002900.00411
scientific0.002930.00411

Controls

Both candidates were captured on the same hardware (RTX 6000 Ada, TP1, stock vLLM, enforce_eager, prefix caching off) against the same BF16 reference.

  • Replay reproducibility — re-scoring the suite author's own published FP8 captures through this pipeline gives 0.013201 against their published 0.013126 (+0.6 %). Inputs are SHA-256-identical, so that residual is GPU-arithmetic difference, not method difference.
  • Capture-environment floor — official FP8 captured here versus the same model captured by the suite author differs by +0.000164, 95 % CI [−0.000096, +0.000434]. The interval includes zero, so this environment introduces no systematic bias. The measured advantage above is 30x that floor.

What this does and does not say

This measures distributional fidelity to BF16, not task accuracy. No public task benchmark has been run on this checkpoint. Absolute KLD magnitudes are suite-specific; the paired comparison against official FP8 on identical contexts is the transferable result.

Corpus, BF16 reference captures, shared LM head and harness come from malaiwah/qwen38-27b-fidelity-suite-v3 and malaiwah/qwen38-27b-exl3 (tools/fidelity.py), used unmodified.

License

Apache 2.0, inherited from the base model. See LICENSE.

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
05f5316

0 моделей