/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
20 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Huihui-Qwen3.8-27B-abliterated
Библиотека
transformers
Опубликована
19 авг 2026

Qwen3.8-27B-abliterated-GPTQ-Pro

Генерация текстаТекст → текст11 профессий

Qwen3.8-27B-abliterated-GPTQ-Pro — это опубликованный groxaxo квантизованный чекпойнт на базе huihui-ai/Huihui-Qwen3.8-27B и Qwen/Qwen3.8-27B.

640скачиваний за 30 дней2лайкавеса обновлены22 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 предназначена для генерации текста, разговорных сценариев, локального и размещённого инференса, открытых оценок и воспроизводимых экспериментов. Название указывает на lineage с изменённым или сниженным уровнем фильтрации, однако не гарантирует полностью неограниченное поведение.

Модель использует формат GPTQ-Pro с симметричной 4-битной квантизацией, размером группы 64 и пресетом quality. Квантизации подвергнуты 400 линейных модулей в 64 слоях; MTP-голова сохранена без квантизации для speculative decoding. Указана архитектура с 48 слоями linear attention GDN и 16 слоями full attention, а также поддержка MTP. Для обслуживания рекомендуется vLLM с tensor parallelism; документация описывает конфигурацию на двух RTX 3090. В репозитории также заявлен контекст до 260 000 токенов, но фактические требования зависят от оборудования, размера KV-кэша и числа одновременных запросов.

К сильным сторонам относятся сниженное потребление памяти по сравнению с полной точностью и ускорение генерации благодаря MTP: в тесте на двух RTX 3090 скорость одного потока выросла с 71,5 до 105,5 токена в секунду при greedy decoding. На одной RTX 3090 MTP-голова вместе с чекпойнтом не помещается; качество и производительность после квантизации необходимо проверять на собственных задачах. Модель может выдавать неточные или неподходящие результаты, а изменённое поведение и сниженная фильтрация требуют дополнительного тестирования и защитных мер.

Лицензия — Apache-2.0. При использовании и распространении следует также проверить лицензионные условия исходных моделей и сохранять совместимые файлы конфигурации, токенизатора, процессора и весов одной ревизии.

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

Qwen3.8-27B-abliterated-GPTQ-Pro

MTP performance

Measured with vLLM on 2× RTX 3090 GPUs using tensor parallelism, a 4K context, greedy decoding, and 256 generated tokens.

ConfigurationSingle-stream tok/sAggregate tok/s (8 concurrent)
No MTP71.5390.6 / 430.9
MTP (num_speculative_tokens=1)105.5 (+47.6%)426.4 / 555.4 (+9% / +28.9%)

Overview

Qwen3.8-27B-abliterated-GPTQ-Pro is a GPTQ-quantized checkpoint intended for efficient GPU inference, published by groxaxo. It is intended for open-source evaluation, reproducible experimentation, and compatible local or hosted inference workflows. The wording below is deliberately limited to what can be verified from this repository's metadata and artifacts.

The repository name identifies a behavior-modified or reduced-filtering lineage. That label describes the source or conversion history; it is not a guarantee of unrestricted behavior in every prompt or runtime. Test outputs carefully before sharing or deploying them.

At a glance

FieldDetails
FormatGPTQ
Source / baseQwen/Qwen3.8-27B
Intended taskimage-text-to-text
Licenseapache-2.0

What is included

  • *.safetensors (5 files)
  • config.json
  • generation_config.json
  • tokenizer.json
  • tokenizer_config.json
  • processor_config.json
  • chat_template.jinja
  • quantize_config.json
  • Additional configuration, tokenizer, processor, or shard files (18 visible artifacts total)

Quick start

vLLM (documented configuration)

vllm serve groxaxo/Qwen3.8-27B-abliterated-GPTQ-Pro \
  --tensor-parallel-size 2 \
  --disable-custom-all-reduce \
  --dtype bfloat16 --language-model-only \
  --max-model-len 260000 --gpu-memory-utilization 0.92 --max-num-seqs 2 \
  --speculative-config '{"method":"mtp","num_speculative_tokens":3}'

This command is taken from the repository documentation. Adjust tensor parallelism, context length, and cache settings to match your hardware and vLLM version.

Compatibility and responsible use

  • Use a runtime that explicitly supports this format, architecture, and modality.
  • Keep configuration, tokenizer, processor, projection, and weight files from the same revision together.
  • Review the source model card and license before redistribution or deployment.
  • Hardware needs depend on parameter count, context length, cache precision, quantization, and concurrency.
  • Report reproducible issues with the runtime version, hardware, launch command, and a minimal example.

Quantization or conversion changes numerical behavior, memory use, and throughput relative to the source checkpoint; validate quality on your own workload.

Generated outputs may be inaccurate or unsuitable for a given use case. Users are responsible for testing behavior, applying appropriate safeguards, and complying with applicable licenses and laws.

INT4 GPTQ-Pro quantization of huihui-ai/Huihui-Qwen3.8-27B-abliterated, with the MTP (multi-token prediction) draft head preserved and served natively by vLLM's speculative decoding.

This is the calib-128 build, using 128 calibration samples.

Quantization details

ParameterValue
ToolGPTQModel 6.1.0-dev (GPTQ-Pro)
Bits / symmetry4-bit, symmetric
Group size64 (desc_act=False)
Calibrationtext mode, 128 samples
Presetquality (true-sequential, activation-weighted MSE, group-aware)
Coverage400/400 linear modules across all 64 layers (48 linear-attention GDN + 16 full-attention)
MTP headpreserved unquantized (mtp.* tensors kept; mtp_num_hidden_layers=1)
Offloaddisk offload during calibration

Per-module quantization loss (quant_log.csv, included): mean 8.2e-5, max 4.9e-4. Damping 1.49–8.94 (mean 3.33).

vLLM MTP speed test (measured, 2× RTX 3090, TP=2)

vLLM 0.24.0, max_model_len=4096, greedy, 256 generated tokens, prompt about MTP itself. Greedy decoding → measured draft acceptance at position 0: 100%.

ConfigSingle-stream tok/sAggregate tok/s (8 concurrent)
No MTP71.5390.6 / 430.9
MTP (num_speculative_tokens=1)105.5 (+47.6%)426.4 / 555.4 (+9% / +28.9%)

Single-GPU note: on one RTX 3090 (23.56 GiB) the MTP drafter does not fit alongside this checkpoint — target ~21.5 GiB + drafter ~2.4 GiB exceeds the card. Single-GPU no-MTP baseline for reference: 42.9 tok/s single-stream, ~273 tok/s at 8-way concurrency.

Production serving (2× RTX 3090, TP=2, vLLM 0.24.0)

Deployed behind a router serving real chat traffic (temp 0.7):

SettingValue
Tensor parallel2 (21.6 GiB/GPU at gpu_memory_utilization=0.92)
max_model_len260,000
KV cache dtypebfloat16 (FP8 KV tried and dropped)
max_num_seqs2
MTPdraft-3 (num_speculative_tokens=3)
KV pool331,750 tokens — one full 260K sequence + ~72K spare
Cold start~150 s (compile-cached); idle reap 300 s

Measured single-stream speeds (temp 0.7 unless noted):

Configtok/s
No MTP (4K bench ctx)71.5
MTP draft-1, greedy (4K bench ctx)105.5
MTP draft-3, 262K ctx, FP8 KV78–80
MTP draft-3, 260K ctx, bf16 KV (final)84–87
MTP draft-1 at temp 0.766–71

Findings:

  • Use draft-3, not draft-1. Draft-1 wins only under greedy decoding (100% position-0 acceptance); at real sampling temps it is slower (~77% acceptance → ~1.77 tok/step) than draft-3 (~2.76 tok/step).
  • Speculative decoding degrades under batching: 2 concurrent streams yield 56.9 tok/s combined vs 84 sequential. max_num_seqs=1 maximizes single-stream speed; 2 trades aggregate throughput for simultaneous admission.
  • bf16 KV halves KV pool vs FP8 (331,750 tokens) but no measurable quality/speed penalty in chat use.
  • min_p and logit_bias do not work with speculative decoding (vLLM limitation).

⚠ Critical flag for multi-GPU RTX 3090 (PCIe, no NVLink): pass --disable-custom-all-reduce. vLLM's custom allreduce kernel silently corrupts tensor-parallel output on this hardware class — endless !!!!... with zero errors. Verified by A/B: identical checkpoint and prompts, broken without the flag, byte-identical correct output with it. NCCL_P2P_DISABLE=1 does not fix this. Affects any TP-served model on such boxes, not just this quant.

Usage

vllm serve groxaxo/Qwen3.8-27B-abliterated-GPTQ-Pro \
  --tensor-parallel-size 2 \
  --disable-custom-all-reduce \
  --dtype bfloat16 --language-model-only \
  --max-model-len 260000 --gpu-memory-utilization 0.92 --max-num-seqs 2 \
  --speculative-config '{"method":"mtp","num_speculative_tokens":3}'

Without MTP, serve like any GPTQ checkpoint (single 24 GB GPU works with --max-model-len 4096 --gpu-memory-utilization 0.92 --max-num-seqs 32).

Note: min_p and logit_bias do not work with speculative decoding (vLLM warning).

Acknowledgements

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
d369ae7

0 моделей