/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
ThinkingCap-Qwen3.8-27B-AutoRound-W4A16
Библиотека
vllm
Опубликована
26 сен 2026

ThinkingCap-Qwen3.8-27B-AutoRound-W4A16-fast

Генерация текстаТекст → текст9 профессий

Квантизированная сборка ThinkingCap-Qwen3.8-27B для диалоговой генерации и ускоренного обслуживания на одной GPU через HyperQwen vLLM.

425скачиваний за 30 дней2лайкавеса обновлены27 сен 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

Это производная сборка ThinkingCap-Qwen3.8-27B, созданная dewamade для быстрого запуска на одной видеокарте с 24 ГБ памяти через форк HyperQwen для vLLM. Исходная ThinkingCap-модель — дообученная BottleCap AI версия Qwen3.8-27B; в этой сборке веса перекалиброваны и упакованы в формат compressed-tensors для обслуживания запросов с MTP speculative decoding.

Модель предназначена для диалоговой генерации текста и рассуждений. Веса линейных слоёв и языковой головы используют GPTQ INT4 с группами по 128 элементов, эмбеддинги — INT8; также включён MTP-модуль, а словарь черновой головы ограничен 40 тысячами токенов. README сообщает о KV-кэше на 201 275 токенов в описанном профиле обслуживания, но не задаёт нативную длину контекста модели.

Сборка рассчитана на одиночную подачу запросов на GPU класса RTX 3090/4090 с 24 ГБ памяти и требует совместимого форка HyperQwen vLLM и соответствующего лаунчера. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты. Языки модели и её ограничения качества отдельно не описаны.

Сценарии применения

  • диалоговые ответы и генерация текста
  • решение задач с пошаговыми рассуждениями
  • обслуживание LLM на одной видеокарте с 24 ГБ памяти
  • ускорение генерации с помощью MTP speculative decoding

Ограничения

Для запуска требуется совместимый форк HyperQwen vLLM и профиль обслуживания из репозитория; заявленная конфигурация рассчитана на одну GPU с 24 ГБ памяти. Языки, нативный размер контекста и количественные оценки качества в предоставленных данных не указаны.

Для каких профессий подходит9

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

ThinkingCap-Qwen3.8-27B — W4A16 "fast" variant for HyperQwen

Single-GPU (24 GB) W4A16 build of ThinkingCap-Qwen3.8-27B (BottleCap AI's reasoning fine-tune of Qwen3.8-27B), repackaged for the HyperQwen vLLM fork and tuned for single-user serving with MTP self-speculative decoding.

Derived from wasifb/ThinkingCap-Qwen3.8-27B-AutoRound-W4A16 (base model): the AutoRound GPTQ weights are repacked in the compressed-tensors layout, the language-model head and MTP module are GPTQ-calibrated INT4, and the draft head is sliced to a 40k-token draft vocabulary.

Quantization

ComponentFormat
Decoder linearsGPTQ INT4, group 128, symmetric
Language-model headGPTQ INT4, group 128 (calibrated)
Token embeddingsINT8, group 128 (INT4 alternative below)
MTP draft moduleGPTQ INT4, group 128 (calibrated)
Draft headINT4, 40k-token draft vocab (mtp_draft_vocab_ids.pt)
NormsBF16
KV cacheint8

Serve

This checkpoint is built for the HyperQwen vLLM fork — serve it with the serving repo's single-user launcher:

hf download dewamade/ThinkingCap-Qwen3.8-27B-AutoRound-W4A16-fast --local-dir ./model-fast

MODEL=path/to/model-fast PREFIX_CACHE=1 VISION=1 SPEC=mtp CTX=long REQ_METRICS=1 bash single-user/start_qwen.sh

GPU KV cache size: 201,275 tokens — maximum concurrency for 150,000 tokens per request: 1.34x.

Smallest weights — optional INT4 embedding (fast-emb4)

The INT8 embedding above is the fastest. If you want the smallest footprint instead, the companion repo dewamade/ThinkingCap-Qwen3.8-27B-AutoRound-W4A16-fast-emb4 ships just the model-00002 shard rebuilt with an INT4 (group 128) embedding table (~0.6 GB smaller) plus the matching config. From your model directory:

hf download dewamade/ThinkingCap-Qwen3.8-27B-AutoRound-W4A16-fast-emb4 --local-dir ./emb4
cp ./emb4/model-00002-of-00005.safetensors ./emb4/config.json ./emb4/quantization_config.json .

The model then serves with the INT4 embedding (everything else — body, head, MTP — is unchanged, and the freed ~0.6 GB grows the KV pool — see the emb4 repo README for its serving numbers). To switch back, keep a copy of the original model-00002-of-00005.safetensors + config.json (or re-download this repo).

Hardware

One 24 GB GPU (RTX 3090/4090-class); ~15-16 GB weights + the 201,275-token int8 KV pool of the profile above.

License

PolyForm Small Business License 1.0.0 — the same license as the base model bottlecapai/ThinkingCap-Qwen3.8-27B, including the additional personal-use permission stated in LICENSE. Commercial use by organizations that do not qualify as a "Small Business" under that license requires a separate commercial license from BottleCap AI. The upstream Qwen materials remain Apache-2.0 (see NOTICE).

Как запустить

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

GPU в ailist

vLLM

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
3833494

0 моделей