/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
508 млн
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-0.6B
Библиотека
transformers
Опубликована
20 сен 2026

Qwen3-0.6B-MYPTQ-w4g128

Генерация текстаТекст → текст5 профессий

Компактная INT4-квантованная версия Qwen3-0.6B для генерации текста и диалогов с уменьшенным объёмом весов.

502скачиваний за 30 дней0лайковвеса обновлены20 сен 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

Qwen3-0.6B-MYPTQ-w4g128 — производная модель на основе Qwen/Qwen3-0.6B, подготовленная методом квантования MYPTQ. Это плотная авторегрессионная модель семейства Qwen3 с 507,9 млн параметров для генерации текста и диалогов. Контекстное окно составляет 40 960 токенов; доступны файлы ONNX с узлом MatMulNBits и веса safetensors в пользовательской упаковке INT4.

Квантование весов слоёв до 4 бит с группами размера 128 уменьшает их объём с 840 до 218 МБ, примерно в 3,85 раза; эмбеддинги оставлены в 16-битном формате. По приведённым в карточке результатам, качество зависит от метода и оценки: в одном сравнении MMLU снизился относительно базовой модели, а в итоговой сводке приведён рост; perplexity на C4 немного выросла. Для загрузки safetensors требуется специальный загрузчик, поскольку стандартный AutoModelForCausalLM не читает эту упаковку напрямую. Лицензия — Apache-2.0.

Сценарии применения

  • генерация ответов в диалоговом приложении
  • локальный запуск компактной языковой модели
  • создание черновиков и продолжение текста
  • эксперименты с квантованием LLM
  • интеграция генерации текста через ONNX

Ограничения

Качество после квантования может отличаться от базовой модели; результаты карточки неоднозначны: в отдельных метриках указаны как снижение MMLU, так и рост. Для safetensors требуется специальный загрузчик, а стандартный AutoModelForCausalLM не поддерживает эту упаковку напрямую.

Для каких профессий подходит5

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

Qwen3-0.6B-MYPTQ-w4g128

4-bit weight-only quantization of Qwen/Qwen3-0.6B: group size 128 along in_features with integer zero-points, plus an INT4-packed ONNX graph (com.microsoft.MatMulNBits). The 28 decoder layers shrink 3.85x (840 -> 218 MB, 4.16 bit/weight); the tied embedding is left at 16-bit.

Built with MYPTQ, which holds the pipeline, the ablations and the full report.

Usage

model.safetensors stores the codes and zero-points packed two per byte, so plain AutoModelForCausalLM.from_pretrained cannot read it; load_realquant_model rebuilds the RealQuantLinear modules and unpacks them.

import torch
from huggingface_hub import snapshot_download
from quantlinear import load_realquant_model   # https://github.com/junuke/MYPTQ

local = snapshot_download("junuke/Qwen3-0.6B-MYPTQ-w4g128")
model, tokenizer = load_realquant_model(local, dtype=torch.float16, device="cuda")

ids = tokenizer("The capital of France is", return_tensors="pt").input_ids.cuda()
print(tokenizer.decode(model(input_ids=ids).logits[0, -1].argmax()))   # ' Paris'

The ONNX graph keeps its weights INT4-packed and needs ONNX Runtime >= 1.16. Its tensors live in onnx/model.onnx.data, which must sit next to onnx/model.onnx. Download the folder with local_dir=: the default cache stores files as symlinks into its blob store, and onnxruntime rejects external data whose real path leaves the model directory.

import numpy as np, onnxruntime as ort

graph = snapshot_download("junuke/Qwen3-0.6B-MYPTQ-w4g128", allow_patterns=["onnx/*"], local_dir="onnx_model")
sess = ort.InferenceSession(f"{graph}/onnx/model.onnx",
                            providers=["CUDAExecutionProvider", "CPUExecutionProvider"])
logits = sess.run(["logits"], {"input_ids": ids.cpu().numpy().astype(np.int64)})[0]

Activations are fp16. The graph takes input_ids [batch, seq], returns logits [batch, seq, vocab], and builds its causal mask internally (no KV cache input).

Measured results

1. Accuracy and general quality (fp16; MMLU: lm_eval mmlu, limit=0.1, max_length=512, batch_size=16; C4: 60 x 512 tokens, out of domain)

ModelBody weightsMMLU accvs baselineC4 ppl
Qwen3-0.6B baselinefp160.4000-32.51
naive W4 (RTN g128, min/max, data-free)4-bit0.3483-5.17%p (-12.9%)39.51 (+21.5%)
SmoothQuant init + W4 (untrained)4-bit0.3524-4.76%p (-11.9%)36.45 (+12.1%)
MYPTQ (smooth + compensation + clip, CE+KD trained)4-bit0.4294+2.94%p (+7.3%)32.89 (+1.2%)

2. ONNX conversion quality (com.microsoft.MatMulNBits, INT4 packed; reference = PyTorch fp32 QuantLinear model)

ONNX graphSizeSNR (16 x 512 tokens, wikitext2 test)
fp32 graph (exactness check)820.1 MB117.9 dB (min 116.8), top-1 100.00%
fp16 graph (deliverable)516.5 MB52.6 dB (min 51.8), top-1 99.61%

3. Model size

Qwen3-0.6B (bf16)MYPTQ W4 g128ratio
Body weights (28 layers; the assignment's compression metric)840.1 MB218.3 MB (4-bit codes + fp16 scale + 4-bit zero, 4.16 bit/weight)3.85x
Embedding (+ tied lm_head, excluded, kept 16-bit)296.8 MB296.8 MB1.00x
Total1136.9 MB515.1 MB2.21x (45.3% of original)
Files on disk-HF safetensors 515.2 MB / ONNX fp16 516.5 MB

Summary

MetricValue
MMLU (baseline -> MYPTQ)0.4000 -> 0.4294 (+2.94%p (+7.3%))
C4 perplexity (baseline -> MYPTQ)32.51 -> 32.89 (+1.2%)
Body compression3.85x (840 -> 218 MB)
Total model size45.3% of original
ONNX SNR fp32 / fp16 graph117.9 dB / 52.6 dB

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3ForCausalLM
Ревизия весов
dc4e8d6

0 моделей