/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
20,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-27B-Uncensored
Библиотека
transformers
Опубликована
1 сен 2026

Qwen3.8-27B-Uncensored-NVFP4-RTX5090

Изображение и текст → текст10 профессий

Qwen3.8-27B-Uncensored-NVFP4-RTX5090 — это квантизированный вариант мультимодальной vision-language модели Qwen3.8-27B, разработанный на основе orcarouter/Qwen3.8-27B-Uncensored и опубликованный fleetml.

37 286скачиваний за 30 дней12лайковвеса обновлены1 сен 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 «Изображение → 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 предназначена для задач image-text-to-text, локальных исследований, оценки моделей и разработки агентных систем. Поддерживаемые языки — английский и китайский.

Модель использует архитектуру Qwen3_5ForConditionalGeneration, сохраняет vision-language возможности и 15 нативных MTP-тензоров. Квантование выполнено в формате ModelOpt NVFP4; размер целевой модели составляет около 20,59 ГБ. Максимальный архитектурный контекст заявлен на уровне 262 144 токенов, а проверенный профиль запуска поддерживает 122 880 токенов. Рекомендуемая конфигурация рассчитана на NVIDIA RTX 5090 с 32 ГБ видеопамяти и запуск через SGLang с парой DSpark для speculative decoding.

К сильным сторонам относятся высокая скорость декодирования, поддержка длинного контекста и оптимизация под RTX 5090: в указанном тесте медианная скорость составила 217,73 токена в секунду, а медианное время до первого токена — 0,113 секунды. Эти показатели получены при ограниченной конфигурации тестирования и не включают обработку промпта; производительность и доступная ёмкость могут зависеть от версии runtime и состояния GPU. Использование ориентировано на локальный контролируемый запуск, а совместимость с другой аппаратурой и средами не подтверждена. Модель распространяется по лицензии Apache 2.0.

Для каких профессий подходит10

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 Uncensored NVFP4 RTX 5090

RTX 5090 optimized ModelOpt NVFP4 conversion of orcarouter/Qwen3.8-27B-Uncensored, produced directly from the original BF16 safetensors.

This checkpoint preserves the Qwen3.8 vision-language architecture and native MTP tensors. It is paired with the target-matched fleetml/Qwen3.8-27B-Uncensored-DSpark-RTX5090, now released in ModelOpt NVFP4.

Combined release

ComponentDisk sizeGPU weight allocation
NVFP4 target20.59 GB18.80 GB
NVFP4 DSpark drafter1.64 GB1.70 GB
Combined pair22.24 GB20.50 GB

The validated Hermes serving profile launches with a 122,880-token context limit. SGLang automatically allocated an 87,798-token active pool and left 2.83 GB of GPU memory free after cache allocation and CUDA graph capture on one RTX 5090.

Context fieldTokens
Architecture maximum262,144
Validated launch context122,880
Automatically allocated active pool87,798

Measured performance

The current NVFP4 target and NVFP4 drafter profile reached 217.73 tokens per second median decode across 18 successful requests on one RTX 5090.

MetricResult
Requests18 of 18 successful
Median decode217.73 tokens per second
Median time to first token0.113 seconds
P95 time to first token0.149 seconds
Generated tokens per request26 to 640
Total generated tokens3,633

Test conditions were concurrency 1, temperature 0, two warmups, three repeats across six prompts, FP8 E4M3 KV cache, and a fixed request seed. Decode throughput excludes prompt processing and time to first token. The 16,000-token request setting was a ceiling. This result is not a sustained 16,000-token generation measurement.

The earlier deterministic BF16 drafter profile measured 139.32 tokens per second with a 16,384-token active pool. Its full standard decoding, native MTP, public DSpark, and trained DSpark comparison remains available in benchmarks/benchmark-summary.json.

Checkpoint

FieldValue
Source revision404ea47aaa5d8a8b00049c9e9750089aca011ab2
FormatModelOpt NVFP4 safetensors
Export size20,593,147,464 bytes
ArchitectureQwen3_5ForConditionalGeneration
Native MTP tensors15
Recommended runtimeSGLang Qwen3.8 image
Recommended hardwareNVIDIA RTX 5090 32 GB

Run with the matched NVFP4 DSpark drafter

docker run --rm --gpus all --ipc=host -p 30000:30000 \
  lmsysorg/sglang:qwen38-27b \
  sglang serve \
  --model-path fleetml/Qwen3.8-27B-Uncensored-NVFP4-RTX5090 \
  --quantization modelopt_fp4 \
  --trust-remote-code \
  --speculative-algorithm DSPARK \
  --speculative-draft-model-path fleetml/Qwen3.8-27B-Uncensored-DSpark-RTX5090 \
  --speculative-draft-model-quantization modelopt_fp4 \
  --speculative-dspark-block-size 7 \
  --speculative-num-steps 1 \
  --speculative-eagle-topk 1 \
  --context-length 122880 \
  --max-mamba-cache-size 8 \
  --kv-cache-dtype fp8_e4m3 \
  --attention-backend flashinfer \
  --chunked-prefill-size 1024 \
  --mamba-radix-cache-strategy extra_buffer_lazy \
  --mamba-ssm-dtype bfloat16 \
  --mm-feature-transport cpu \
  --cuda-graph-max-bs-decode 1 \
  --mem-fraction-static 0.86 \
  --max-running-requests 1 \
  --reasoning-parser qwen3 \
  --tool-call-parser qwen3_coder \
  --host 0.0.0.0 \
  --port 30000

The active token pool is allocated automatically. Available capacity can vary slightly with the runtime build and GPU state.

Provenance

  • Base model: Qwen/Qwen3.8-27B
  • BF16 source: orcarouter/Qwen3.8-27B-Uncensored
  • Quantization: NVIDIA ModelOpt 0.47.0.dev70, commit c4129b6e
  • Calibration: 126 tokenized UltraChat conversations
  • Validation: complete shard, tensor, dtype, MTP, load, API, Hermes, and benchmark checks

Use

This checkpoint is intended for controlled local research, evaluation, and agent development. Use it responsibly and comply with the Apache 2.0 license and applicable law.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
64f45f2

0 моделей