/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3.5-35B-A3B
Опубликована
28 мар 2026

Qwen3.5-35B-A3B-NVFP4.gguf

Изображение и текст → текст10 профессий

Квантизированная версия Qwen3.5-35B-A3B для диалога и анализа изображений в формате GGUF NVFP4.

100скачиваний за 30 дней2лайкавеса обновлены20 апр 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

Это квантизированная в формате GGUF NVFP4 версия мультимодальной модели Qwen3.5-35B-A3B от Alibaba, подготовленная владельцем репозитория из весов BF16 с помощью llama.cpp. Модель содержит около 35 млрд параметров в общей сложности, из которых активируется около 3 млрд на токен, и поддерживает диалог и анализ изображений.

Сценарии применения

  • диалог с мультимодальной моделью
  • ответы на вопросы по изображениям
  • описание содержимого изображений
  • локальный запуск Qwen3.5 через llama.cpp

Ограничения

Автор сообщает, что NVFP4-версия всё ещё работает медленно; поддержка этого проприетарного формата зависит от реализации в программном обеспечении. Квантизация выполнена без imatrix, а README отмечает, что масштабирование по тензорам на момент обновления ещё не реализовано.

Для каких профессий подходит10

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

Qwen3.5-35B-A3B NVFP4 gguf

qwen 3.5 quant with experts quantized to nvfp4. It is still slow but shows to be having a better accuracy than mxfp4. This makes sense because both Q4_K and nvfp4 use a superblock scale. I hope that since its a proprietary format from nvidia that it will get better support and be faster than int4. Quantized from BF16, no imatrix used. Used llama.cpp version 3a14a542f5ce8666713c6e6ea44f7f3e01dd6e45 to quantize and calculate kld.

Quant config:

token_embd=Q8_0
attn_gate=Q8_0
attn_norm=F32
attn_qkv=Q8_0
ffn_down_exps=NVFP4
ffn_down_shexp=Q8_0
ffn_gate_exps=NVFP4
ffn_gate_inp=F32
ffn_gate_inp_shexp=Q8_0
ffn_gate_shexp=Q8_0
ffn_up_exps=NVFP4
ffn_up_shexp=Q8_0
post_attention_norm=F32
ssm_a=F32
ssm_alpha=Q8_0
ssm_beta=Q8_0
ssm_conv1d=F32
ssm_dt.bias=F32
ssm_norm=F32
ssm_out=Q8_0
attn_k=Q8_0
attn_k_norm=F32
attn_q=Q8_0
attn_q_norm=F32
attn_v=Q8_0
attn_output=Q8_0
output=Q8_0
output_norm=F32

kld data

UPDATE 20260420: https://github.com/ggml-org/llama.cpp/discussions/22042 It looks like the per tensor scale is not implemented yet. Hopefully this will be implemented soon as we can expect a significant KLD improvement from that. Excited to see this!

Final estimate: PPL = 6.8908 +/- 0.04680

ProviderQuantSize GBMean PPLMean KLDSame Top p
Unslothf166.8908 +/- 0.04680baselinebaseline
UnslothUD-Q6_K_XL32.15.859151 ± 0.0361170.005158 ± 0.00017096.957 ± 0.045 %
UnslothUD-Q5-K_XL26.45.856634 ± 0.0360950.006890 ± 0.00021196.543 ± 0.047 %
UnslothQ5_K_M26.25.857466 ± 0.0360940.006996 ± 0.00020696.496 ± 0.048 %
AESQ5_K_M26.35.854688 ± 0.0360660.007233 ± 0.00024896.499 ± 0.048 %
UnslothUD_Q6_K_S28.55.875750 ± 0.0362900.007825 ± 0.00024096.223 ± 0.049 %
UnslothQ5_K_S24.85.851724 ± 0.0360360.008098 ± 0.00024196.338 ± 0.049 %
AESQ4_K_M22.25.900010 ± 0.0364550.010871 ± 0.00024595.731 ± 0.052 %
UnslothUD_Q4_K_XL22.25.885954 ± 0.0363170.011072 ± 0.00027695.783 ± 0.052 %
UnslothQ4_K_M225.892703 ± 0.0363820.011525 ± 0.00027095.590 ± 0.053 %
MraderbacheQ5_K_M24.85.889589 ± 0.0364080.012260 ± 0.00027695.306 ± 0.055 %
meQ4_K20.85.922957 ± 0.0366590.013359 ± 0.00024995.349 ± 0.055 %
UnslothQ4_K_S20.75.930525 ± 0.0367160.013894 ± 0.00026695.233 ± 0.055 %
AESIQ4_XS17.65.984069 ± 0.0370760.024742 ± 0.00036493.753 ± 0.063 %
UnslothUD_IQ4_X_S17.55.979239 ± 0.0370320.025096 ± 0.00033693.543 ± 0.064 %
UnslothUD_IQ4_NL17.85.981326 ± 0.0370500.025159 ± 0.00035093.596 ± 0.064 %
menvfp420.85.863949 ± 0.0359960.027935 ± 0.00039193.281 ± 0.065 %
memxfp419.85.996372 ± 0.0369900.054779 ± 0.00053190.355 ± 0.077 %
UnslothUD-Q2_K_XL12.26.393534 ± 0.0401510.091808 ± 0.00066987.288 ± 0.086 %
Intel ARq2 mixed12.56.733538 ± 0.0436400.149627 ± 0.00091084.540 ± 0.094 %

llama-perplexity results

I did not use an imatrix because nvfp4 should not be affected by it.

performance

On 2x 5060ti

CUDA : ARCHS = 1200 | USE_GRAPHS = 1 | PEER_MAX_BATCH_SIZE = 128 | FA_ALL_QUANTS = 1 | BLACKWELL_NATIVE_FP4 = 1 | CPU : SSE3 = 1 | SSSE3 = 1 | AVX = 1 | AVX_VNNI = 1 | AVX2 = 1 | F16C = 1 | FMA = 1 | BMI2 = 1 | LLAMAFILE = 1 | OPENMP = 1 | REPACK = 1 |

nvfp4 (update 20260403)

performance improved slightly making this usable.

modelsizeparamsbackendnglfammaptestt/s
qwen35moe 35B.A3B Q8_019.36 GiB34.66 BCUDA99910pp5122185.12 ± 10.77
qwen35moe 35B.A3B Q8_019.36 GiB34.66 BCUDA99910tg12895.05 ± 0.09

nvfp4 (update 20260420)

I tested michaels branch here: https://github.com/ggml-org/llama.cpp/pull/21896 So it is getting closer performance wise.

modelsizeparamsbackendngltestt/s
qwen35moe 35B.A3B Q8_019.36 GiB34.66 BCUDA99pp5122900.56 ± 8.25
qwen35moe 35B.A3B Q8_019.36 GiB34.66 BCUDA99tg12894.56 ± 0.04

mxfp4

modelsizeparamsbackendnglfatestt/s
qwen35moe 35B.A3B Q8_018.43 GiB34.66 BCUDA991pp5123018.48 ± 12.24
qwen35moe 35B.A3B Q8_018.43 GiB34.66 BCUDA991tg12896.39 ± 0.05

q4_k

modelsizeparamsbackendnglfatestt/s
qwen35moe 35B.A3B Q8_019.36 GiB34.66 BCUDA991pp5122494.68 ± 14.59
qwen35moe 35B.A3B Q8_019.36 GiB34.66 BCUDA991tg12896.60 ± 0.08

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
c0c69be

0 моделей