/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Huihui-Qwen3.8-27B-abliterated-NVFP4
Опубликована
21 авг 2026

Huihui-Qwen3.8-27B-Abliterated-NVFP4-MTP-GGUF

Генерация текстаТекст → текст7 профессий

Квантованная GGUF-версия диалоговой Qwen3.8-27B с MTP-слоями для генерации текста и спекулятивного декодирования в llama.cpp.

343скачиваний за 30 дней3лайкавеса обновлены21 авг 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

Модель felippeburk/Huihui-Qwen3.8-27B-Abliterated-NVFP4-MTP-GGUF — это GGUF-конверсия NVFP4-квантированной модели Huihui-Qwen3.8-27B с дополнительными MTP-слоями для спекулятивного декодирования. Автор репозитория felippeburk подготовил её для запуска через llama.cpp на видеокартах Blackwell; исходные веса и квантование взяты из sakamakismile/Huihui-Qwen3.8-27B-abliterated-NVFP4. В основе лежит дообученная, abliterated-версия Qwen3.8-27B.

Модель предназначена для диалоговой генерации текста и может использовать режим рассуждений. MTP draft layers поддерживают спекулятивное декодирование в llama.cpp. Возможности работы с изображениями доступны при подключении отдельного vision-проектора mmproj; сам репозиторий содержит GGUF-файл модели. В README указана проверка на GPU RTX 5090 и рекомендуемый контекст сервера 192K.

Модель описана как uncensored и ориентирована на ответы с ослабленными ограничениями отказа. README предупреждает, что при reasoning_effort выше medium фаза рассуждений может не завершиться в пределах бюджета, а малый max_tokens может привести к ответу без финального вывода. Лицензия репозитория — Apache-2.0; исходная тонкая настройка и NVFP4-квантование атрибутированы sakamakismile.

Сценарии применения

  • диалоговые ответы на запросы пользователя
  • генерация текста с режимом рассуждений
  • запуск модели через llama.cpp на GPU Blackwell
  • ускорение генерации спекулятивным декодированием MTP

Ограничения

Для работы с изображениями нужен отдельный vision-проектор mmproj. README рекомендует reasoning_effort не выше medium и большой max_tokens: иначе рассуждения могут исчерпать бюджет или не завершиться финальным ответом.

Для каких профессий подходит7

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

Huihui-Qwen3.8-27B Abliterated NVFP4-MTP GGUF

NVFP4 quantized Huihui-Qwen3.8-27B (abliterated / uncensored fine-tune of Qwen3.8-27B) with MTP (multi-token prediction) draft layers, packaged as a single GGUF for llama.cpp speculative decoding on Blackwell GPUs (RTX 5090 / 5080).

What this is

  • Quantization: NVFP4 (weights + KV cache), converted to GGUF via llama.cpp convert_hf_to_gguf.py --outtype auto
  • MTP draft layers included — enables --spec-type draft-mtp --spec-draft-n-max 2 in llama.cpp for speculative decoding
  • Multimodal: pairs with the mmproj-F16.gguf vision projector (from unsloth/Qwen3.8-27B-GGUF)
  • Single file: huihui-qwen3.8-27b-abliterated-nvfp4-mtp.gguf (~19 GB)

Attribution

Conversion methodology

Converted on an RTX 5090 (CachyOS, user-space, no Docker). The conversion script lives in the felippeburk/rtx-5090-cachyos-testing repo:

# Builds llama.cpp with NVFP4/MTP support, downloads source safetensors,
# runs the conversion, and verifies the result. Everything installs to ~/.local.
git clone https://gitlab.com/felippeburk/rtx-5090-cachyos-testing
cd rtx-5090-cachyos-testing
bash llama/setup-mtp.sh --model huihui

The conversion step is: llama.cpp/convert_hf_to_gguf.py <source-safetensors-dir> --outfile huihui-qwen3.8-27b-abliterated-nvfp4-mtp.gguf --outtype auto, run with torch + transformers in an isolated venv. Reproducible from the source safetensors at any time.

Recommended server args (llama.cpp, 192K context)

-m huihui-qwen3.8-27b-abliterated-nvfp4-mtp.gguf \
--mmproj mmproj-F16.gguf \
-fitt 8192 -c 196608 -n 65536 -fa on -ngl 99 -np 1 -t 16 -tb 16 \
-ctk q8_0 -ctv q8_0 -ctkd q4_1 -ctvd q4_1 -ctxcp 16 -cram 6144 \
--cache-idle-slots --no-warmup \
--spec-type draft-mtp --spec-draft-n-max 2 \
--temp 1.0 --top-p 0.95 --top-k 20 --min-p 0.0 \
--presence-penalty 0.0 --repeat-penalty 1.0 \
--jinja --chat-template-file config/chat_template.jinja \
--reasoning on --reasoning-format deepseek --reasoning-budget 4096 \
--reasoning-budget-message "I have reached my reasoning budget. I will now provide my final answer or take the most appropriate action based on my analysis so far." \
--chat-template-kwargs '{"reasoning_effort":"medium"}'

Important usage notes

  • Use reasoning_effort medium. This abliterated fine-tune was validated at medium — at xhigh the think phase can run away past the token budget and never terminate. --chat-template-kwargs forces medium above; a patched chat template may default to xhigh.
  • Thinking mode requires a generous output budget. This model uses the Qwen3.8 thinking format, so reasoning shares the max_tokens budget with the answer. Set the client's max_tokens to at least 65536 (-n 65536 above) and give the server a --reasoning-budget (here 4096) so the thinking phase can't eat the entire output. With a too-small max_tokens, long prompts can produce reasoning but an empty final answer.
  • Pin a reasoning-effort budget message. --reasoning-budget-message tells the model to wrap up and answer once the budget is hit; without it, long tool-calling sessions can stall in thinking.
  • Use thinking-mode sampling. Temperature 1.0, presence_penalty 0.0 (the 0.7 / 1.5 values in some older configs are for instruct mode and hurt thinking-mode output).
  • reasoning_effort only accepts xhigh / medium / low — there is no high level.
  • Vision is available via --mmproj mmproj-F16.gguf (downloaded from unsloth/Qwen3.8-27B-GGUF).

Full config lives in config/models.yaml of that GitLab repo.

License

Apache-2.0 (inherited from source weights and base model)

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
bbba792

0 моделей