/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-Coder-30B-A3B-Instruct
Опубликована
15 июн 2026

Qwen3-Coder-30B-A3B-asym-2bitexp-GGUF

Генерация текстаТекст → текст13 профессий

Qwen3-Coder-30B-A3B-asym-2bitexp-GGUF — это асимметрично квантованная GGUF-версия инструкционной модели Qwen3-Coder-30B-A3B-Instruct, разработанной Qwen.

52скачиваний за 30 дней1лайквеса обновлены15 июн 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

Модель предназначена прежде всего для генерации и анализа программного кода, а также решения текстовых задач в формате instruction-following. Это вариант без режима reasoning и без блоков <think>, ориентированный на запуск через llama.cpp.

В основе используется MoE-архитектура qwen3moe с 128 маршрутизируемыми экспертами, из которых активны 8 на каждом токене; эффективный объём активных параметров составляет около 3 млрд при общем размере модели 30 млрд параметров. Экспертные FFN-слои квантованы преимущественно в 2–3 бита, а attention, эмбеддинги и выходной слой сохранены с более высокой точностью. Эффективная скорость квантования — 2,99 BPW, размер файла — 11,4 ГБ (10,64 GiB). Модель рассчитана на текстовый ввод и вывод; язык и максимальный размер контекста в README явно не указаны, однако приведён пример запуска с контекстом 16 384 токена.

Главное преимущество — существенная экономия памяти: модель рассчитана на размещение в 16 ГБ VRAM вместе с KV-кэшем для контекста около 16K токенов, тогда как стандартная версия Q4_K_M занимает около 18,6 ГБ. По данным измерений на wikitext-2, perplexity составляет 9,93 против 9,60 у Q4_K_M, то есть снижение качества относительно базовой 4-битной версии умеренное. Ограничения связаны с потерями квантования, меньшей точностью по сравнению с более крупными форматами и зависимостью от совместимого runtime. В README указана лицензия Apache-2.0.

Для каких профессий подходит13

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-Coder-30B-A3B — Asymmetric 2-bit-Expert GGUF (imatrix)

An asymmetric, expert-aware quantization of Qwen/Qwen3-Coder-30B-A3B-Instruct (arch qwen3moe, 128 routed experts, 8 active per token, ~3B active params).

The idea (the "antirez" insight): in a routed-MoE model the bulk of the weights live in the expert FFNs, and most experts are only sparsely active. Push the routed experts to 2-bit where the model is most redundant, keep the attention and the embedding/output tied weights at higher precision where error is most damaging, and steer the per-tensor bit-allocation with an importance matrix (imatrix). The result fits comfortably in 16 GB with only a modest perplexity cost versus the standard 4-bit baseline.

Asymmetric quantization scheme

Tensor groupTypeBitsCount
Routed expert gate (ffn_gate_exps)IQ2_S~2.548
Routed expert up (ffn_up_exps)IQ2_S~2.548
Routed expert down (ffn_down_exps)IQ3_S~3.4448
Attention q/k/v/outputQ4_K~4.5192
token_embdQ6_K~6.61
output (lm_head)Q6_K~6.61

Notes:

  • down experts get an extra bit (IQ3_S) — they are more error-sensitive than gate/up, so they are protected.
  • This model architecture has no shared expert (expert_shared_feed_forward_length = 0), so there is no always-on expert to hold at high precision — all FFN experts are routed.
  • Quantization was guided by an imatrix computed over bartowski/calibration_datav3.txt (128 chunks, ctx 512). imatrix.dat is included in this repo.

Effective rate: 2.99 BPW, on-disk 11.4 GB (10.64 GiB).

Quality (perplexity, wikitext-2 raw test, 200 chunks @ ctx 512)

ModelPPLΔ vs Q4_K_M
This asym 2-bit-expert (2.99 BPW, 11.4 GB)9.93+0.33 (+3.4%)
Standard Q4_K_M (~4.8 BPW, 18.6 GB)9.60—

PPL measured with the same harness and chunk count for both. Lower is better. The asym build trades a small PPL increase for a ~39% smaller file that clears the 16 GB bar.

16 GB fit

  • Weights on disk / in VRAM: 11.4 GB.
  • KV cache (this arch: 48 layers, GQA, n_head_kv small) at f16 is on the order of ~0.13 GB per 1K tokens, so a 16K-token context adds roughly ~2 GB.
  • 11.4 GB weights + ~2 GB KV (16K ctx) + runtime overhead ≈ ~14 GB < 16 GB. ✅

Use a quantized KV cache (-ctk q8_0 -ctv q8_0) to push context further.

Usage (llama.cpp)

# This is the Instruct (non-thinking) variant — no <think> blocks.
llama-server -m Qwen3-Coder-30B-A3B-asym-2bitexp.gguf -ngl 99 -c 16384

Provenance / reproducibility

  • Source: unsloth/Qwen3-Coder-30B-A3B-Instruct-GGUF at Q8_0 (near-lossless) as the requantization source (--allow-requantize).
  • imatrix corpus: bartowski/calibration_datav3.txt, 128 chunks @ ctx 512.
  • Tooling: llama-quantize with repeatable --tensor-type REGEX=TYPE overrides plus --token-embedding-type Q6_K --output-tensor-type Q6_K, base type IQ3_S, imatrix-guided.

Coherence verified on a coding task (correct merge_intervals) and a multi-step word problem (35 heads / 94 legs → 23 chickens, 12 rabbits, with a correct check).

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
6fbfb99

0 моделей