/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5_moe · dense
Базовая модель
Qwen3.5-122B-A10B
Опубликована
17 мая 2026

Qwen3.5-122B-A10B-NVFP4-Full-GB10

Изображение и текст → текст15 профессий

Qwen3.5-122B-A10B-NVFP4-Full-GB10 — мультимодальная квантованная версия модели Qwen/Qwen3.5-122B-A10B.

256скачиваний за 30 дней1лайквеса обновлены12 июн 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

Квантование выполнено с помощью llm-compressor по схеме NVFP4 W4A4: линейные слои, включая lm_head, используют 4-битные веса, а vision encoder сохранён в BF16. Модель предназначена для запуска и вывода на NVIDIA DGX Spark с чипом GB10 и обслуживается через vLLM при использовании специальной поддержки для NVFP4 lm_head.

Архитектура включает 48 слоёв гибридного внимания, из которых 36 используют GDN/Gated-DeltaNet, а 12 — полноценное внимание, 256 маршрутизируемых экспертов и один общий эксперт на слой; активируются 8 экспертов. Размер скрытого представления — 3072, словарь содержит 248 320 токенов, заявленный контекст — до 262K токенов. Модель поддерживает обработку текста и изображений, однако языки в README не указаны. На DGX Spark заявлена скорость последовательной генерации около 33–35 токенов в секунду.

Главное преимущество модели — максимальная скорость декодирования среди описанных вариантов и сниженные требования к памяти: размер контрольной точки составляет около 66 ГБ. Ограничением является небольшое ухудшение качества по сравнению с вариантом FP8Dense, особенно в понимании и передаче нюансов при длительном использовании; 4-битные активации и квантованный lm_head слегка уплощают распределение выходов. В контрольной точке отсутствуют веса MTP, поэтому спекулятивное декодирование недоступно. 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

Qwen3.5-122B-A10B-NVFP4-Full-GB10

All-NVFP4 (W4A4) quantization of Qwen/Qwen3.5-122B-A10B — the maximum-decode-speed variant for NVIDIA DGX Spark (GB10, SM121). Every Linear layer is 4-bit, including the lm_head. Vision encoder preserved (BF16) and verified working.

This is the most aggressively quantized checkpoint of this model: at GB10's memory bandwidth it decodes ~33–35 tok/s single-stream, ~45% faster than the mixed-precision FP8Dense sibling (~23–24 tok/s).

Quality note

The all-FP4 profile carries a subtle quality degradation relative to the FP8Dense sibling: the dense path (attention + GDN) runs 4-bit activations, and the lm_head's 4-bit weights flatten the output distribution slightly. It does not show up on simple extraction benchmarks (both variants ace detail tests), but in extended real-world use comprehension and nuance are noticeably better on FP8Dense. Pick by priority:

  • Maximum tok/s → this checkpoint
  • Best quality at ~2/3 the speed → FP8Dense

Layout

This modelFP8Densescottgl
MoE experts (256/layer)NVFP4NVFP4NVFP4
Standard attentionNVFP4FP8 W8A8BF16
GDN projectionsNVFP4FP8 W8A8BF16 stored, FP4/FP8 at SGLang runtime
lm_headNVFP4BF16BF16 stored, FP8 at SGLang runtime
VisionBF16 (preserved)BF16 (preserved)—
Serves onvLLM (lm_head patch, below)stock vLLMcustom SGLang fork
Checkpoint66 GB74 GB—
Decode, GB10 single-stream33–35 tok/s23–24 tok/s~46 (SGLang + NEXTN spec-dec)

Excluded from quantization (BF16): router gates (mlp.gate, shared_expert_gate), embeddings, vision encoder + merger, norms. No MTP weights in this checkpoint (the config's MTP declaration has no corresponding tensors — speculative decoding is not available).

Quantization details

  • Method: llm-compressor oneshot(), NVFP4 scheme (W4A4, group 16, FP8-E4M3 scales)
  • Calibration: 512 samples, HuggingFaceH4/ultrachat_200k, seq_len 2048
  • Quantized from the full multimodal model (AutoModelForImageTextToText) so the vision tower survives — earlier text-only exports of this model lost it

Benchmarks (DGX Spark GB10, vLLM 0.19.2 from-source SM121 build)

Sequential decode, gen=500:

ContextTTFTDecode tok/s
warmup0.84s35.2
9K3.22s34.6
18K3.72s33.8
27K3.69s32.9

Concurrent @ 32K context, gen=500:

ConcurrencyAggregate tok/sPer-request tok/s
8×78.212.0
16×110.68.0
32×138.25.2
64×166.53.3
128×182.82.8

KV cache: 5.94× the full 262K context at --gpu-memory-utilization 0.90 (bf16 KV; page size 2,096 tokens, aligned to the GDN/Mamba state size).

Serving (vLLM)

vLLM's stock ParallelLMHead cannot load NVFP4-packed lm_head weights (it inherits VocabParallelEmbedding's loader). The one-file patch in vllm-patches/patch_nvfp4_lm_head.py swaps the lm_head to ReplicatedLinear, which routes through the standard quantized-linear loading path:

docker run -d --name vllm --gpus all -p 8000:8000 --ipc host \
  -v /opt/vllm-cache:/root/.cache/huggingface \
  -e CUBLASLT_WORKSPACE_SIZE=33554432 \
  -e PYTORCH_CUDA_ALLOC_CONF=expandable_segments:False \
  vllm/vllm-openai:latest \
  --model demon-zombie/Qwen3.5-122B-A10B-NVFP4-Full-GB10 \
  --served-model-name Qwen3.5-122B-A10B \
  --gpu-memory-utilization 0.90 \
  --enable-prefix-caching \
  --enable-chunked-prefill \
  --enable-auto-tool-choice \
  --tool-call-parser qwen3_coder \
  --reasoning-parser qwen3

# apply the lm_head patch, then restart
docker cp patch_nvfp4_lm_head.py vllm:/tmp/
docker exec vllm python3 /tmp/patch_nvfp4_lm_head.py
docker restart vllm

Verified configuration: DGX Spark GB10, from-source vLLM 0.19.2 (SM121, TORCH_CUDA_ARCH_LIST 12.1) with the patch applied — all benchmark numbers above are from that build. Newer stock images have not been re-verified with this checkpoint's NVFP4 lm_head; if loading fails around lm_head/ParallelLMHead, apply the included patch.

Architecture

Qwen3.5-122B-A10B is a hybrid-attention MoE model: 48 layers (36 GDN/Gated-DeltaNet linear attention + 12 full attention, interval 4), 256 routed experts + 1 shared expert per layer (8 active), 3,072 hidden, 248,320 vocab, 262K context, plus a ViT vision encoder.

Credits

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Готовая квантизация поддерживается только для текстовых LLM (vLLM).

Класс архитектуры
Qwen3_5MoeForConditionalGeneration
Ревизия весов
bacdce3

0 моделей