/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
18,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Библиотека
transformers
Опубликована
20 авг 2026

Qwen3.8-27B-Uncensored-int4-AutoRound

Изображение и текст → текст15 профессий

Qwen3.8-27B-Uncensored-int4-AutoRound — локально обслуживаемая INT4-квантизированная версия плотной модели Qwen3.8 с 27 млрд параметров, опубликованная под идентификатором johannrplaster.

1 176скачиваний за 30 дней1лайквеса обновлены20 авг 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 для быстрого инференса через Transformers и vLLM XPU, прежде всего на видеокартах Intel Arc Pro B70. Она сохраняет MTP (multi-token prediction) head, поэтому поддерживает speculative decoding без отдельной draft-модели, а проекции linear attention in_proj_a и in_proj_b оставлены в FP16 для снижения потерь качества.

Квантизация выполнена с помощью AutoRound 0.14.2 в формате W4A16 с симметричными группами размера 128 и упаковкой auto_gptq. Квантизированы декодерные слои и MTP head; нормы, MTP-слой fc, vision tower и указанные проекции сохраняются в FP16 или BF16. Размер модели на диске составляет около 18 ГБ. В комплект входит шаблон чата Qwen3.8 с поддержкой reasoning и tool-call блоков. Заявлена работа с контекстом до 128K при использовании FP8 KV-кэша, тогда как пример конфигурации задаёт 8192 токена.

Сильные стороны модели — уменьшенный размер, высокая скорость декодирования на Intel Arc Pro B70, поддержка speculative decoding и сохранение качества на заявленных проверках арифметики, кода, JSON-схем, длинного контекста и стабильности повторных ответов. Ограничения включают возможные потери качества и отличия от BF16-версии из-за INT4-квантизации, а также зависимость производительности и эффективности speculative decoding от нагрузки. Модель является uncensored и может отвечать на запросы, которые обычно отклоняют модели с настройкой безопасности; ответственность за применение и проверку контента несёт пользователь. Лицензия — Apache-2.0.

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

Qwen3.8-27B-Uncensored INT4 AutoRound (MTP-preserved)

An INT4 (W4A16) quantization of an uncensored/abliterated 27B dense Qwen3.8 variant, built for fast local serving on Intel Arc Pro B70 GPUs with vLLM XPU.

Two deliberate choices distinguish this checkpoint from a stock INT4 quant:

  1. The MTP (multi-token prediction) head is preserved and quantized, not stripped. Speculative decoding works out of the box with vLLM's qwen3_5_mtp method — no separate draft model or weights surgery needed.
  2. The linear-attention in_proj_a / in_proj_b projections are kept in FP16. Quantizing those two projection families to INT4 g128 measurably degrades exact-answer behavior (e.g. deterministic code-evaluation prompts return wrong values). Keeping them FP16 costs a few percent of decode bandwidth and preserves target-model quality. Verify any other INT4 build of this model against a deterministic canary before trusting it.

Quantization

SettingValue
MethodAutoRound 0.14.2, default tuning recipe
FormatW4A16, symmetric, group_size 128, auto_round:auto_gptq packing
Calibrationbatch_size 4, gradient_accumulate_steps 2
Quantizedall decoder layers + the MTP head
Kept FP16/BF16GDN linear_attn.in_proj_a/b, norms, mtp.fc, vision tower
Size on disk~18 GB (7 shards, MTP tensors included in shard 7)

The checkpoint is directly servable as GPTQ INT4 (Marlin / XPUwNa16LinearKernel path in vLLM).

Measured performance (Intel Arc Pro B70)

Cold-response measurement discipline: fixed realistic prompt suite, each prompt run once, prefix/prompt caching disabled, cached_tokens=0 on every request; primary metric is the median inter-token rate over tokens 1-100 after TTFT.

Serving configDecode (tok/s, median)
2x B70 (TP2), MTP3, FP16 KV81.8
2x B70 (TP2), MTP3, FP16 KV, experimental INT8 LM head94.6
1x B70, MTP3, FP16 KV57.5
1x B70, MTP3, FP16 KV, experimental INT8 LM head66.8

Quality gates on this exact checkpoint: arithmetic, deterministic code evaluation, copy, factual, JSON-schema, long-context needle, and repeat-stability checks all pass; all exact canaries are identical to the FP16-head reference.

Notes on interpretation: warmed, repeated-prompt, same-shape benchmarks of this stack read much higher (80+ on a single card); those numbers describe repeat traffic, not fresh requests.

Serving (vLLM XPU)

vllm serve /path/to/this/model \
  --quantization gptq \
  --dtype float16 \
  --tensor-parallel-size 2 \
  --max-model-len 8192 \
  --gpu-memory-utilization 0.9 \
  --enable-prompt-tokens-details \
  --speculative-config '{"method":"qwen3_5_mtp","num_speculative_tokens":3}'
  • Single-GPU serving needs no tensor parallelism flags; the model fits in one 32 GB B70 with FP16 KV at moderate context.
  • FP8 KV cache (--kv-cache-dtype fp8) works and is the capacity option for 128K context on one card; FP16 KV decodes slightly faster.
  • The MTP head accepts num_speculative_tokens 1-4. Depth 3 was the best measured trade-off on fresh-response workloads; depth 4 can win on highly predictable content (acceptance is workload-dependent — check vllm:spec_decode_num_accepted_tokens_total against spec_decode_num_draft_tokens_total on your own traffic).
  • Optional experimental lever: an INT8-quantized LM head (W8A8) served via a patched vllm-xpu-kernels build adds ~15% decode on this model class; the stock FP16 head path is what the 81.8/57.5 rows above use.

Chat template

Ships the stock Qwen3.8 chat template (chat_template.jinja; reasoning and tool-call blocks follow the base model's conventions). Note for serving: vLLM's thinking_token_budget (or an equivalent hard cap) is the reliable way to bound reasoning length; prompt-level effort instructions are a hint the model can ignore on hard prompts.

Limitations

  • This is an uncensored model: it will answer prompts that safety-tuned models refuse. You are responsible for how you use it; review generated content before relying on it.
  • INT4 quantization trades some quality for speed and size. The preserved FP16 projection families mitigate the worst regression we measured, but outputs are not bit-identical to the BF16 original, and stylistic casing differences on short answers have been observed.
  • Benchmarks above are single-stream; concurrent serving aggregates higher.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Готовая квантизация поддерживается только для текстовых LLM (vLLM).

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
74f84ec

0 моделей