/ Модель

Характеристики

Контекст
262 144 токена
Параметры
32 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3.8-27B
Библиотека
gguf
Опубликована
15 авг 2026

Qwen-3.8-27B-ROCmFP4-FAST-GGUF

Генерация текстаТекст → текст15 профессий

Qwen 3.8 27B ROCmFP4 FAST — это квантизированная GGUF-версия модели Qwen 3.8 27B, разработанной командой Qwen и адаптированной пользователем julianmb.

18 265скачиваний за 30 дней52лайкавеса обновлены22 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 генерации текста и оптимизирована прежде всего для AMD Strix Halo с графикой Radeon 8060S, а также дискретных AMD Radeon GPU, использующих ROCm или Vulkan.

Модель имеет плотную архитектуру с 27 млрд параметров и представлена в формате ROCmFP4 с эффективной точностью 4,26 бит на вес и размером файла около 13,55 GiB. Заявлены поддерживаемые языки английский и китайский. Версия ориентирована на ускоренное авторегрессионное декодирование и может использовать speculative decoding с MTP; на Ryzen AI Max+ 395 указана скорость до 36,04 токена в секунду, при устойчивом MTP-декодировании K=4 — 33,80 токена в секунду. Без спекулятивного декодирования измеренная скорость составляет 14,02 токена в секунду.

Сильные стороны модели — сниженное потребление памяти, оптимизация под оборудование AMD и высокая скорость генерации при сохранении заявленного качества, близкого к исходной модели. Дополнительно описана экспериментальная гибридная NPU-акселерация AMD XDNA 2 для уменьшения задержки выдачи первого токена на длинных запросах, но она не повышает устойчивую скорость декодирования. Реальная производительность зависит от GPU, драйверов, конфигурации MTP и программного окружения, поэтому приведённые показатели нельзя считать универсальными. Модель распространяется по лицензии 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

Qwen 3.8 27B ROCmFPX (GGUF for AMD Radeon GPUs)

HaloFPX Server Qwen 3.8 Project Hardware Vulkan License

This repository contains optimized ROCmFP4 and ROCmFP8 GGUF releases of Qwen 3.8 27B, custom-engineered for AMD Strix Halo (Ryzen AI Max+ 395 / Radeon 8060S) and AMD Radeon discrete GPUs.

🛠️ Unified HaloFPX Server: github.com/julianmb/halofpx (Multi-model zoo, hot-swapping, OpenAI API)
📖 Qwen 3.8 Dedicated Deep-Dive: github.com/julianmb/q38rocm (Standalone optimization report, benchmarks & tuning)


📦 Available GGUF Quantizations

File NamePrecisionFile SizeRaw DecodeMTP Speculative DecodeBest For
Qwen3.8-27B-ROCmFP4-FAST.gguf4.26 bpw13.55 GiB14.02 tok/s🔥 30.56 – 36.04 tok/sMaximum Speed (Gold Standard, Fits 16GB+ GPUs)
Qwen3.8-27B-ROCmFP8.gguf8.25 bpw26.25 GiB7.66 tok/s18.96 tok/sMaximum Precision (<0.003 PPL loss vs FP16)
Qwen3.8-27B-ROCmFP4-STRIX_LEAN.gguf4.34 bpw13.82 GiB13.90 tok/s30.00 – 34.00 tok/sFP16 embeddings & norm preservation
Qwen3.8-27B-Q3_K_S.gguf3.59 bpw11.40 GiB16.69 tok/s20.44 – 26.11 tok/sFastest unassisted decode
Qwen3.8-27B-Q3_K_M.gguf3.95 bpw12.56 GiB15.15 tok/s25.00 – 28.50 tok/sBalanced 3-bit medium quantization
Qwen3.8-27B-ROCmFP2.gguf2.69 bpw8.56 GiB12.82 tok/s17.50 – 19.00 tok/sUltra-compact memory footprint

🔬 Why ROCmFP4 & ROCmFP8 Improve Performance on AMD Hardware

In auto-regressive decoding, generation speed is physically bound by memory bandwidth:

  • Bandwidth Math: Strix Halo's 256-bit memory controller delivers ~190–200 GB/s sustained read bandwidth. Loading an unquantized FP16 model (54.6 GB) caps generation at ~4.9 tok/s.
  • 8-Bit (ROCmFP8 - 26.25 GB): Doubles memory streaming throughput to 18.96 tok/s with MTP speculation while providing lossless precision (<0.003 PPL loss vs FP16).
  • 4-Bit (ROCmFP4 - 13.55 GB): Slashes memory payload by 75.2% vs FP16, raising unassisted streaming decode to 14.02 tok/s and MTP speculative throughput to 30.56 – 36.04 tok/s (with 33.80 tok/s sustained decode at K=4) with ~99% benchmark retention.

🧠 Optional: AMD XDNA 2 NPU Acceleration (Qwen 3.8 27B Only)

⚠️ Scope note: All NPU benchmarks below were only tested on Qwen 3.8 27B (dense, ROCmFP4_FAST).

Strix Halo features a 50 TOPS XDNA 2 NPU (/dev/accel/accel0). Extensive empirical benchmarking demonstrates:

  • Sustained Decode Ceiling: 33.8 tok/s via embedded MTP (iGPU only) is the practical ceiling. The NPU does not improve sustained decode speed.
  • Proven NPU Value: 1.8× faster first-token TTFT on long prompts (870 ms vs 1587 ms) via hybrid NPU-burst → iGPU handoff (scripts/run_pipeline.py).
  • See docs/NPU_INTEGRATION.md for complete setup instructions.

📊 Performance Benchmarks (AMD Ryzen AI Max+ 395)

Measured on AMD Ryzen AI Max+ 395 (40 CU Radeon 8060S @ 2.9 GHz, 128 GB 256-bit LPDDR5X, Linux 7.0, Mesa 26.0 RADV):

Optimization ProfileModel SizeUnassisted Decode (Measured)MTP Speculative Decode (Measured)Speedup vs BaselineTTFT (Prompt Eval) (Measured)
Stock Q4_K_M (Baseline)15.92 GiB12.27 tok/sN/A1.00×526.7 ms
ROCmFP4_FAST (This Model)13.55 GiB14.02 tok/sN/A1.14×468.3 ms
ROCmFP4_FAST + Strict Greedy MTP13.55 GiB14.02 tok/s34.82 tok/s2.84×442.8 ms
ROCmFP4_FAST + Sustained MTP (K=4)13.55 GiB14.02 tok/s33.80 tok/s sustained2.40×510.0 ms
ROCmFP4_FAST + MTP (n6/p0.60)13.55 GiB14.02 tok/s30.56 – 34.82 tok/s2.50× – 2.84×439.4 ms
ROCmFP4_FAST + Deep Spec (n7/p0.35)13.55 GiB14.02 tok/s🔥 36.04 tok/s (JSON/Code)🔥 2.94×445.8 ms

💾 Context Scaling & Memory Footprint

Using Asymmetric TurboQuant KV cache (-ctk q8_0 -ctv turbo4):

Context WindowModel WeightsTurboQuant KV CacheTotal RAM Footprint
8K tokens13.55 GiB0.62 GiB14.17 GiB (Fits 16GB VRAM)
16K tokens13.55 GiB1.23 GiB14.78 GiB (Fits 16GB VRAM)
32K tokens13.55 GiB2.45 GiB16.00 GiB (Ideal for 64GB Strix Halo)
64K tokens13.55 GiB4.90 GiB18.45 GiB
128K tokens13.55 GiB9.80 GiB23.35 GiB
262K tokens (Full)13.55 GiB20.08 GiB33.63 GiB

📥 Quick Download

# Download ROCmFP4_FAST (13.55 GiB)
hf download julianmb/Qwen-3.8-27B-ROCmFP4-FAST-GGUF Qwen3.8-27B-ROCmFP4-FAST.gguf --local-dir .

# Or download ROCmFP8 (Zero-loss 8-bit precision, 26.25 GiB)
hf download julianmb/Qwen-3.8-27B-ROCmFP4-FAST-GGUF Qwen3.8-27B-ROCmFP8.gguf --local-dir .

🚀 How to Run

Option 1: Via HaloFPX (Recommended Multi-Model Server)

git clone https://github.com/julianmb/halofpx.git
cd halofpx
pip install -e .

halofpx load qwen38-27b

Option 2: Standalone via q38rocm

git clone https://github.com/julianmb/q38rocm.git
cd q38rocm

./quickstart.sh

🔒 Limitations & Safety

  • Custom Backend: Requires the ROCmFPX toolchain (pinned build: e87d53e (213)).
  • Hardware Target: Optimized for AMD Strix Halo (gfx1151) and AMD discrete Radeon GPUs.
  • Base Alignment: Inherits base safety characteristics and knowledge capabilities of Qwen 3.8 27B.

📜 License & Attribution

  • Base Model: Qwen 3.8 27B by Alibaba Cloud
  • Quantization & Optimizations: Apache 2.0 License.
  • Community Research: Multi-slot concurrency metrics referenced from MrWidmoreHK and kujetic.

📏 Quantization Fidelity (wikitext-2 validation)

Independent perplexity checks (llama-perplexity, ROCm0, ctx 512):

BuildPPL ↓
ROCmFP4_FAST (this repo, original build)7.205 ± 0.121
ROCmFP4_FAST requantized from unsloth Q8_07.138 ± 0.120

Speed is statistically identical between both builds (13.56 vs 13.64 tg128) — decode is bandwidth-bound. Requantizing any high-precision source (Q8_0/BF16, --allow-requantize) into ROCmFP4 presets is a validated recipe; avoid k-quant sources (double quantization).

🔬 Batch Scaling (why speculative decoding works here)

llama-batched-bench, tg128 per-sequence throughput, Vulkan0:

Verify batchtok/s/seq
113.53
855.44 (4.1×)

Speculative decoding converts memory-bandwidth headroom into tokens: the flat batch-cost curve is what makes MTP's ~2.5× sustained gain possible.

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.

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
1e67b67

0 моделей