/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3.8-27B-MTP-NVFP4
Опубликована
14 авг 2026

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

Генерация текстаТекст → текст9 профессий

Квантованная в NVFP4 модель Qwen3.8-27B в формате GGUF с MTP-слоями для генерации текста и спекулятивного декодирования в llama.cpp.

694скачиваний за 30 дней3лайкавеса обновлены26 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

Это квантованная NVFP4-версия Qwen3.8-27B с черновыми слоями MTP, подготовленная felippeburk как механическая конверсия весов sakamakismile/Qwen3.8-27B-MTP-NVFP4 в единый файл GGUF для llama.cpp. Модель предназначена для генерации текста и диалогов, а MTP-слои позволяют использовать спекулятивное декодирование на совместимых графических процессорах Blackwell, включая RTX 5090 и RTX 5080.

Основной файл весит около 19 ГБ. Для обработки изображений README указывает на отдельный проектор mmproj-F16.gguf; сам файл модели текстовый. В README приведены настройки запуска с контекстом 196 тысяч токенов, однако это рекомендуемая конфигурация, а не подтверждённый метаданными предел контекста. Модель использует формат рассуждений Qwen3.8: этап рассуждения расходует общий лимит выходных токенов, поэтому слишком малый лимит может привести к пустому итоговому ответу.

Репозиторий распространяется по лицензии Apache-2.0. Для запуска требуются llama.cpp с поддержкой NVFP4 и MTP, а обработка изображений требует отдельного совместимого проектора; заявленный сценарий ориентирован на оборудование Blackwell.

Сценарии применения

  • диалоговое взаимодействие с локальной языковой моделью
  • генерация текста с ускорением через спекулятивное декодирование
  • локальный запуск модели Qwen3.8 на графических процессорах Blackwell
  • анализ изображений с подключённым проектором mmproj

Ограничения

NVFP4 и MTP требуют совместимой сборки llama.cpp и оборудования Blackwell для описанного сценария; для работы с изображениями нужен отдельный проектор. Рассуждения расходуют общий лимит выходных токенов, и при малом лимите модель может не выдать итоговый ответ.

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

Qwen3.8-27B NVFP4-MTP GGUF

NVFP4 quantized 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: qwen3.8-27b-text-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 qwen38

The conversion step is: llama.cpp/convert_hf_to_gguf.py <source-safetensors-dir> --outfile qwen3.8-27b-text-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, 196K context — daily driver)

-m qwen3.8-27b-text-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":"xhigh"}'

Important usage notes

  • 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. The patched chat template defaults to medium; the recommended config forces xhigh via --chat-template-kwargs.
  • Vision is available via --mmproj mmproj-F16.gguf (downloaded from unsloth/Qwen3.8-27B-GGUF).

Full config (131K tier, plus the 262K experimental tier) 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
00526ff

0 моделей