/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
18,8 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Библиотека
transformers
Опубликована
13 мар 2026

Qwen3.5-9B-Claude-4.6-HighIQ-THINKING-HERETIC-UNCENSORED-FP8-vLLM

Генерация текстаТекст → текст15 профессий

Qwen3.5-9B-Claude-4.6-HighIQ-THINKING-HERETIC-UNCENSORED-FP8-vLLM — это FP8-квантизированная версия модели DavidAU/Qwen3.5-9B-Claude-4.6-HighIQ-THINKING-HERETIC-UNCENSORED, созданная kanocz для инференса в vLLM.

928скачиваний за 30 дней4лайкавеса обновлены13 мар 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 основана на архитектуре Qwen3.5 и представляет собой результат последовательной дообученной линейки с базой Qwen/Qwen3.5-9B, uncensored fine-tune и дистилляцией рассуждений в стиле Claude 4.6. Формат распространения — Apache 2.0.

Модель предназначена для генерации текста, задач с рассуждениями и поддерживает режим thinking с парсером qwen3, вызов инструментов и мультимодальную работу с изображениями. Заявлена поддержка контекста до 262 144 токенов. README не указывает перечень поддерживаемых языков, поэтому языковые возможности отдельно не уточняются.

Используется блочная динамическая квантизация FP8 E4M3 с размером блока 128×128; квантизировано 200 слоёв, а 560 компонентов, включая embeddings, norms, vision encoder, lm_head и специфичные для DeltaNet слои, сохранены в исходной точности. Размер весов составляет около 11,3 ГБ против примерно 19 ГБ в BF16. На RTX 3090 заявлена работа через Marlin kernel, а на Ada/Hopper — с native FP8; совместимость с vLLM протестирована. FP8 KV cache позволяет дополнительно экономить память. Ограничения включают зависимость от vLLM для проверенного сценария, отсутствие поддержки llama.cpp и отсутствие валидации в SGLang; для полной конфигурации на RTX 3090 требуется около 22,5 ГБ из 24 ГБ видеопамяти.

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

Qwen3.5-9B-Claude-4.6-HighIQ-THINKING-HERETIC-UNCENSORED — FP8 (vLLM)

Block-wise FP8 (E4M3) quantization of DavidAU/Qwen3.5-9B-Claude-4.6-HighIQ-THINKING-HERETIC-UNCENSORED, optimized for vLLM inference.

Key Features

  • Full 262K context on a single RTX 3090 (24 GB)
  • Vision (multimodal) support preserved
  • Thinking/reasoning mode with qwen3 parser
  • Tool calling support
  • ~11.3 GB model footprint (vs ~19 GB in BF16)
  • FP8 KV cache compatible for additional memory savings

Quantization Details

ParameterValue
MethodFP8 E4M3 block-wise
Block size[128, 128]
Scale formatweight_scale_inv (bfloat16)
Activation schemeDynamic
Max quantization error3.57% (relative)
Quantized layers200 (linear projections, MLP)
Kept in original precision560 (embeddings, norms, vision encoder, lm_head, DeltaNet-specific layers)

Quantization was performed on GPU (CUDA) to ensure correct FP8 casting. The format matches lovedheart/Qwen3.5-9B-FP8 conventions.

Compatibility

BackendStatusNotes
vLLMTestedMarlin kernel (W8A16) on Ampere; native FP8 on Ada/Hopper
SGLangNot testedMay work but not validated
llama.cppNoUse GGUF quantizations instead

Tested Hardware

  • RTX 3090 (24 GB) — Ampere, no native FP8, uses Marlin kernel for weight decompression
  • Should work on RTX 4090, A100, H100, and other GPUs with 24+ GB VRAM

Quick Start (vLLM + Docker)

# docker-compose.yml
services:
  qwen:
    image: vllm/vllm-openai:nightly
    ports:
      - "8020:8000"
    volumes:
      - ./models/qwen3.5-9b-fp8:/models/qwen3.5-9b-fp8:ro
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: 1
              capabilities: [gpu]
    ipc: host
    command: >
      /models/qwen3.5-9b-fp8
      --served-model-name qwen3.5-9b
      --max-model-len 262144
      --kv-cache-dtype fp8_e4m3
      --reasoning-parser qwen3
      --enable-auto-tool-choice
      --tool-call-parser qwen3_coder
      --enable-prefix-caching
      --gpu-memory-utilization 0.95
      --max-num-seqs 2
      --limit-mm-per-prompt '{"video":4,"image":8}'
    restart: unless-stopped
docker compose up -d

# Test
curl http://localhost:8020/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3.5-9b",
    "messages": [{"role": "user", "content": "What is 2+2?"}],
    "max_tokens": 200
  }'

VRAM Usage (RTX 3090)

ComponentSize
Model weights (FP8)~11.3 GB
KV cache (FP8)~10.9 GB
CUDA graphs + overhead~0.5 GB
Total~22.5 / 24 GB

Model Lineage

  1. Qwen/Qwen3.5-9B — Base model (Apache 2.0)
  2. trohrbaugh/Qwen3.5-9B-heretic-v2 — Heretic uncensored fine-tune (Apache 2.0)
  3. DavidAU/Qwen3.5-9B-Claude-4.6-HighIQ-THINKING-HERETIC-UNCENSORED — Claude 4.6 thinking distillation (Apache 2.0)
  4. This repo — FP8 block-wise quantization for vLLM

Credits

  • Qwen Team (Alibaba) for the Qwen3.5 architecture
  • DavidAU for the fine-tuned model
  • trohrbaugh for the Heretic uncensored base
  • lovedheart for the Qwen3.5-9B-FP8 reference format

License

Apache 2.0 — same as all upstream models.

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
b2002e3

0 моделей