/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
FlashModel-Qwen3.5-9B
Библиотека
gguf
Опубликована
17 сен 2026

FlashModel-Qwen3.5-9B-GGUF

Генерация текстаТекст → текст11 профессий

FlashModel-Qwen3.5-9B-GGUF — набор GGUF-квантизаций модели FlashModel-Qwen3.5-9B, подготовленный flashback2k на базе Qwen/Qwen3.5-9B.

1 455скачиваний за 30 дней0лайковвеса обновлены17 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

Исходная модель дообучена методом LoRA с RSLoRA на проекциях внимания и MLP, затем объединена с базовой моделью. Дообучение выполнено на 9 638 примерах и примерно 45 млн токенов, включая математические задачи, соревновательное программирование, агентные сценарии, следование инструкциям и научные данные. Модель ориентирована на рассуждения, генерацию и анализ кода, диалоги и вызовы инструментов. В карточке указан английский язык; поддержка других языков не заявлена.

Модель имеет около 9 млрд параметров и распространяется в нескольких вариантах GGUF с разным уровнем квантизации и размером файлов примерно от 4,42 до 6,74 ГБ. Для квантизации использована собственная importance matrix, рассчитанная на этой дообученной модели. Варианты предназначены для локального запуска через llama.cpp, Ollama и LM Studio; заявлена совместимость с инструментальными вызовами и контекстом до 32 768 токенов при использовании рекомендованной конфигурации. Модель текстовая: vision tower отсутствует, поэтому мультимодальный ввод изображений не поддерживается.

Сильными сторонами являются специализация на reasoning, coding и tool-calling, выбор вариантов под разные объёмы VRAM или RAM, а также оптимизация GGUF для локального запуска. Ограничения включают неизбежную потерю качества при низкой квантизации, необходимость оставлять память под KV-кэш, отсутствие заявленной поддержки изображений и ограниченность опубликованных сведений об оценках качества. Рекомендуемые параметры генерации взяты из карточки базовой модели и не перенастраивались специально для этого fine-tune; влияние тегов reasoning budget отмечено как экспериментальное. Модель распространяется по лицензии Apache-2.0.

Для каких профессий подходит11

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

⚡ FlashModel-Qwen3.5-9B — GGUF

imatrix GGUF quants of FlashModel-Qwen3.5-9B, a reasoning / coding / tool-calling fine-tune of Qwen/Qwen3.5-9B distilled from open-weight frontier teachers.

  • All quants use an importance matrix computed on this fine-tune (not borrowed from the base model).
  • *_K_XL quants use a dynamic per-tensor layout mirrored tensor-for-tensor from unsloth/Qwen3.5-9B-GGUF (see How these were made).
  • Every file was loaded and ran a generation test in llama.cpp before upload.
  • Text-only: the fine-tune does not include the vision tower, so there is no mmproj.

Provided Quants

(sorted by size, not necessarily quality. IQ-quants are often preferable over similar sized non-IQ quants)

LinkTypeSize/GBNotes
GGUFIQ3_M4.42smallest here
GGUFQ3_K_M4.62lower quality
GGUFQ3_K_XL5.05dynamic layout
GGUFIQ4_XS5.20good size/quality trade-off
GGUFQ4_K_S5.35fast
GGUFIQ4_NL5.42
GGUFQ4_K_M5.63fast, recommended
GGUFQ4_K_XL5.97dynamic layout, recommended
GGUFQ5_K_S6.31
GGUFQ5_K_M6.47
GGUFQ5_K_XL6.74dynamic layout, highest precision here
imatriximatrix0.01importance matrix used for every quant above

Which one should I pick?

Your free VRAM / RAMPick
≥ 10 GBQ5_K_XL
~8 GBQ4_K_XL — default choice
~7 GBIQ4_XS or Q4_K_S
≤ 6 GBQ3_K_XL, then IQ3_M

Leave room for the KV cache: long reasoning traces need context. Size numbers are file sizes, not total memory use.

Usage

llama.cpp

# download one quant
huggingface-cli download flashback2k/FlashModel-Qwen3.5-9B-GGUF \
  FlashModel-Qwen3.5-9B-Q4_K_XL.gguf --local-dir .

# chat (thinking mode, recommended sampling from Qwen3.5)
llama-cli -m FlashModel-Qwen3.5-9B-Q4_K_XL.gguf --jinja -ngl 99 -c 32768 \
  --temp 1.0 --top-p 0.95 --top-k 20 --min-p 0.0 --presence-penalty 1.5

# OpenAI-compatible server with tool calling
llama-server -m FlashModel-Qwen3.5-9B-Q4_K_XL.gguf --jinja -ngl 99 -c 32768 --port 8080

Or pull straight from the Hub: llama-server -hf flashback2k/FlashModel-Qwen3.5-9B-GGUF:Q4_K_XL --jinja

Ollama

ollama run hf.co/flashback2k/FlashModel-Qwen3.5-9B-GGUF:Q4_K_XL

LM Studio

Search for flashback2k/FlashModel-Qwen3.5-9B-GGUF and pick a quant.

Recommended sampling

These are the base model's official recommendations (Qwen3.5 model card); they were not re-tuned for the fine-tune.

Modetemperaturetop_ptop_kmin_ppresence_penalty
Thinking, general1.00.95200.01.5
Thinking, precise coding0.60.95200.00.0
Non-thinking, general0.70.8200.01.5

Always pass --jinja so the embedded Qwen3.5 chat template (thinking blocks, tool calls) is used.

Reasoning-budget tag

Training system prompts started with a reasoning-budget tag chosen from the length of the teacher's reasoning:

<|reasoning_budget|>medium<|/reasoning_budget|>

Values: off, low, medium, high, xhigh, max. The tag's effect on output length has not been measured yet; treat it as experimental.

About the fine-tune

BaseQwen/Qwen3.5-9B
MethodLoRA r=128 (RSLoRA, α=32) on attention + MLP projections, merged
Data9,638 examples / 45M tokens, loss on assistant turns only
Context in trainingup to 16,384 tokens (longer examples dropped, never truncated)
Schedule1 epoch, 600 steps, lr 5e-5 cosine
Held-out eval loss0.5745 (step 100) → 0.5586 (step 600)

Training data and teachers

Only open-weight teachers whose licenses allow training on their outputs:

ShareDomainDatasetTeacher
40%Math (answers verified against references)nvidia/Nemotron-SFT-Math-v4DeepSeek-V4-Pro
22%Competitive programming (Python)nvidia/Nemotron-SFT-Competitive-Programming-v2DeepSeek-R1-0528
16%Multi-turn tool calling (judge-filtered)nvidia/Nemotron-SFT-Agentic-v2GLM-4.6 / DeepSeek-V3.2
11%Instruction followingnvidia/Nemotron-SFT-Instruction-Following-Chat-v3GPT-OSS-120B
11%Science reasoningnvidia/Nemotron-SFT-Science-v2GPT-OSS / Kimi-K2 / DeepSeek-V3.2

Datasets © NVIDIA, CC BY 4.0 (some Math StackExchange-derived samples CC BY-SA 4.0).

⚠️ Status and known limitations

  • No benchmarks yet. Lower held-out loss means the model imitates the teachers more closely; it does not by itself prove it beats the stock Qwen3.5-9B. Comparative evals are planned and will be added here.
  • English-centric. All training data was English. On non-English prompts (e.g. Russian) the model often reasons in English.
  • Math and code examples longer than 16k tokens were excluded, which skews those domains toward shorter problems.
  • Inherits the base model's limitations and biases.

How these were made

  1. Merged weights → BF16 GGUF with llama.cpp convert_hf_to_gguf.py (build b11005-82324fc50).
  2. imatrix: llama-imatrix on the BF16 model over ~131k tokens (256 × 512) of held-out training-distribution text (math, code, tool calls, instructions, science). A Q8_0 source produced non-finite activations — the stock Qwen3.5-9B Q8_0 does too — so BF16 was used.
  3. Standard quants: llama-quantize --imatrix.
  4. *_K_XL quants: Unsloth has not published its Dynamic quantization tool, but the resulting per-tensor types are visible in its GGUF headers. The types of all 427 tensors were read from unsloth/Qwen3.5-9B-GGUF (UD-Q3_K_XL, UD-Q4_K_XL, UD-Q5_K_XL), applied with llama-quantize --tensor-type-file, and verified tensor-for-tensor after quantization. The layout keeps the most sensitive tensors at higher precision — e.g. in Q4_K_XL: Gated DeltaNet ssm_out at Q8_0, ssm_alpha/ssm_beta at F16, attn_v at Q6_K, about half of ffn_down at Q6_K. The imatrix is this model's own. These are not official Unsloth quants and are not affiliated with or endorsed by Unsloth.
  5. Each quant loaded in llama.cpp (CUDA) and generated a reply before upload.

Credits

Qwen team for Qwen3.5 · NVIDIA for the Nemotron SFT datasets · DeepSeek, Zhipu AI (GLM), OpenAI (GPT-OSS) and Moonshot AI (Kimi) for open-weight teachers · ggml-org/llama.cpp · Unsloth for the published dynamic-quant layouts · quant-table format inspired by mradermacher.

Как запустить

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

GPU в ailist

llama.cpp

Нельзя запустить

GGUF-модель ждёт проверки: нужно выбрать файл кванта под доступные GPU.

Ревизия весов
6c8478b

0 моделей