/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
37,9 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Библиотека
auto-round
Опубликована
13 авг 2026

Qwen3.6-40B-Fable-Fusion-6-Core-Deckard-Eleanor-Heretic-Uncensored-W4A16-AutoRound

Генерация текстаТекст → текст15 профессий

Qwen3.6-40B-Fable-Fusion-6-Core-Deckard-Eleanor-Heretic-Uncensored-W4A16-AutoRound — это 40-миллиардная языковая модель для генерации текста, кода, рассуждений и творческих ответов.

171скачиваний за 30 дней4лайкавеса обновлены19 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

Она основана на модели DavidAU Qwen3.6-40B-Fable-Fusion-6-Core-Deckard-Eleanor-Heretic-Uncensored и квантизирована с помощью Intel AutoRound. Заявлены языки английский, китайский, русский, украинский, греческий и иврит; модель поддерживает текстовую генерацию и визуальную башню, однако подробности мультимодального применения в README не описаны.

Используется схема W4A16: 4-битные веса и 16-битные активации, размер группы 64, симметричная квантизация. Размер модели составляет около 38 ГБ против примерно 80 ГБ в BF16. Архитектура гибридная: 72 слоя линейного внимания Gated DeltaNet с Mamba SSM и 24 слоя полного внимания; сохранены MTP-компоненты для многотокенного предсказания и speculative decoding. Для запуска рекомендуются vLLM или SGLang, при этом в примерах указан контекст до 32768 токенов. Для квантизации использовалась длина последовательности 2048.

По данным README, модель ориентирована на программирование, математические и логические задачи, рассуждения, длинные ответы и творческое письмо, включая русскоязычные тексты. Заявлены скорость около 35–47 токенов в секунду, рабочий MTP=3 в vLLM и возможность запуска на нескольких GPU, например двух ускорителях по 24 ГБ. Ограничения включают высокие требования к памяти, необходимость много-GPU конфигурации для комфортной работы, зависимость производительности от контекста и принятия MTP-токенов, а также обязательный batch size 1 при квантизации из-за особенностей гибридного внимания. Для SGLang MTP не работает при pipeline parallelism с PP=3.

Лицензия модели наследуется от базовой модели; для AutoRound в README указана Apache-2.0. Отдельная лицензия базовой модели явно не приведена, поэтому условия коммерческого и иного использования следует уточнять в её репозитории.

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

Qwen3.6-40B-Fable-Fusion-6-Core-Deckard-Eleanor-Heretic-Uncensored — W4A16 AutoRound

4-bit weight-only quantization (W4A16) of DavidAU's 40B "Chimera" — the 6-Core Fable Fusion Heretic Uncensored model. Quantized with Intel AutoRound recipe best, group_size 64, calibrated on high-quality reasoning traces.

Base model: DavidAU/Qwen3.6-40B-Fable-Fusion-6-Core-Deckard-Eleanor-Heretic-Uncensored

Quantization Recipe

ParameterValue
MethodAutoRound 0.15.0 (auto-round-best)
SchemeW4A16 (4-bit weights, 16-bit activations)
Group size64
SymmetricYes
Iterations1000
Calibration samples5329 (from 37087 candidates)
Sequence length2048
Batch size1 (required for hybrid attention stability)
Formatauto_round:auto_gptq
Output size~38 GB (down from ~80 GB BF16)
Quantization time~4h 10min on 1× RTX 3090

Unquantized layers (kept BF16): lm_head, embed_tokens, model.visual (vision tower), all linear_attn projections (Gated DeltaNet), and MTP head via WOQ[RTN].

Hybrid Architecture Note

This model uses a 3:1 hybrid attention pattern — 72 linear-attention layers (Gated DeltaNet with Mamba SSM) and 24 full-attention layers. During quantization, --bs 1 is mandatory: the partial rotary embedding (partial_rotary_factor=0.25, head_dim=256) causes batch-dimension mismatches at higher batch sizes on full-attention layers.

Benchmarks (Custom, RTX 3090)

Custom generation benchmark, temperature=0.6, vLLM TP=2.

TestOutput tokenstok/sFinish
Speed baseline80037.45stop
Reasoning + Math290036.78stop
Code generation324137.62stop
Creative writing (RU)819235.27length

Quality verdict: Reasoning task solved correctly (both the sheep logic puzzle and the two-train meeting problem). Code generation produced full production-ready Python with bitarray optimization, type hints, docstrings, error handling, and CLI benchmarking. Creative output sustained 8K+ tokens coherently.

Reference — base 27B Qwopus INT4 on same harness: 42–59 tok/s. The 40B quant is slower (more params) but produces longer, deeper reasoning chains.

Usage

vLLM (recommended, TP=2)

vllm serve goldhub/Qwen3.6-40B-Fable-Fusion-6-Core-Deckard-Eleanor-Heretic-Uncensored-W4A16-AutoRound \
  --tensor-parallel-size 2 \
  --max-model-len 32768 \
  --gpu-memory-utilization 0.90 \
  --trust-remote-code

SGLang (TP=1 PP=3)

This quantized Chimera successfully loads under SGLang with TP=1, PP=3:

python -m sglang.launch_server \
  --model-path goldhub/Qwen3.6-40B-Fable-Fusion-6-Core-Deckard-Eleanor-Heretic-Uncensored-W4A16-AutoRound \
  --tp 1 --pp 3 \
  --trust-remote-code

MTP (Multi-Token Prediction)

The MTP head is preserved (mtp.layers.0, mtp.fc) and quantized via WOQ[RTN]. Under vLLM with MTP=3, speculative decoding is functional with variable acceptance (observed 13%–100% depending on token predictability), yielding ~25–45 tok/s effective throughput. For maximum acceptance stability, MTP=2 is recommended for long-form generation.

SGLang + MTP caveat

On SGLang with --pp 3 (pipeline parallel), MTP speculative decoding does NOT work due to overlap between pipeline stages. Use --tp 2 or vLLM if you need MTP. On vLLM with --tensor-parallel-size 2, MTP=3 works and is confirmed alive (acceptance 70-100%).

Chat Template

This repo ships a patched chat template (chat_template.jinja) from Qwen-Fixed-Chat-Templates v21.3 (froggeric/Qwen-Fixed-Chat-Templates).

The original template is preserved as chat_template.original.jinja for reference. The patched template fixes tokenizer/chat-formatting issues and improves instruction-following fidelity.

Acknowledgments

  • DavidAU — for the base 6-Core Chimera fine-tune
  • Intel AutoRound team — quantization framework
  • froggeric — fixed chat templates
  • Quantized by Viktor Zhuromskyy on consumer hardware (RTX 3090)

License

This quantized model inherits the base model's license. AutoRound is Apache-2.0.


🚀 Long Story Short: W4G64 AutoRound Quantization & MTP Confirmation

Successfully quantized the 40B Chimera to INT4 (W4G64) using AutoRound.

  • Weight: ~38 GB
  • VRAM: Fits comfortably on multi-GPU setups (e.g., 2x24GB or 3xRTX3090/4090) with room for large context.

⚡ MTP (Multi-Token Prediction) Status: ALIVE & KICKING

Initial concerns about MTP breaking during quantization or expansion are debunked. Telemetry confirms MTP=3 is active and providing significant generation speedups without degrading the "Heretic" creative quality or reasoning capabilities.

📊 W4G64 Benchmark Highlights (vLLM / SGLang)

TaskPerformance / QualityNotes
Speed35 - 47 tok/sDepends on context and MTP acceptance rate.
Coding🟢 FlawlessGenerated production-ready Sieve of Eratosthenes with bitarray optimization, type hinting, and O(n log log n) complexity analysis.
Math/Logic🟢 PerfectStep-by-step reasoning for complex word problems (trains, logic puzzles) without hallucinations.
Creative (RU)🟢 MasterpieceDeep, atmospheric cyberpunk/philosophical narratives ("РЕКУРСИВНЫЙ ВЫЗОВ", "ОГОНЬ ПАДАЮЩЕЙ ЗВЕЗДЫ"). Retains full uncensored/heretic alignment.
Long Context🟢 StableHandles 8k+ tokens seamlessly.

🛠️ How to run (vLLM example)

vllm serve goldhub/Qwen3.6-40B-Fable-Fusion-6-Core-Deckard-Eleanor-Heretic-Uncensored-W4A16-AutoRound \
    --tensor-parallel-size 2 \
    --max-model-len 32768 \
    --trust-remote-code

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
7b3cf57

0 моделей