/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,4 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
Qwen3.5-4B
Библиотека
transformers
Опубликована
14 июн 2026

Qwen3.5-4B-AWQ

Генерация текстаТекст → текст13 профессий

Qwen3.5-4B-AWQ — это квантизированная версия языковой модели Qwen/Qwen3.5-4B, разработанной командой Qwen.

1 501скачиваний за 30 дней4лайкавеса обновлены17 июн 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 предназначена для генерации текста, диалоговых и инструкционных сценариев, локального инференса и развёртывания на потребительских GPU. Указаны поддерживаемые языки English и Chinese, а также интеграция с Transformers и vLLM.

Модель использует квантизацию AWQ INT4 по схеме W4A16_ASYM с размером группы 128 и zero point. Калибровка выполнена на 512 примерах OpenPlatypus с максимальной длиной последовательности 1024 токена посредством llm-compressor; формат хранения — compressed-tensors. Размер модели составляет около 3,13 ГБ, а потребление VRAM при загрузке — около 3,06 ГБ, что примерно в 2,5–2,6 раза меньше базовой BF16-версии. Это позволяет запускать её на одной видеокарте с 8 ГБ памяти.

В заявленных оценках нулевого выстрела модель получила 77,69% на PIQA, 68,75% на Winogrande, 71,65% на HellaSwag, 73,53% на ARC-Easy и 51,71% на ARC-Challenge; средний результат — 68,67%. Сильными сторонами являются существенно сниженные требования к памяти и сохранение заметной производительности в задачах здравого смысла и школьных научных вопросов. Ограничение состоит в том, что результаты приведены только для квантизированной версии и не сопоставлены в идентичных условиях с BF16-моделью, поэтому влияние квантизации точно не установлено. Распространяется по лицензии Apache-2.0.

Для каких профессий подходит13

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

Qwen3.5-4B-AWQ

AWQ INT4 quantization of Qwen/Qwen3.5-4B using llm-compressor and 512 OpenPlatypus calibration samples.

2.56× smaller on disk and ~61.7% lower VRAM usage while maintaining strong benchmark performance.


Model compression

Memory & storage reduction

BF16 baselineAWQ INT4 (this model)
Model size~8.0 GB~3.13 GB (2.56x smaller)
VRAM at load~8.0 GB~3.06 GB (2.61x smaller)
Bits / weight164 (4x fewer)

Benchmarks

Note: these are the quantized model's standalone scores from EleutherAI lm-evaluation-harness, default settings, 0-shot. HellaSwag and ARC-Challenge use acc_norm; PIQA, Winogrande, and ARC-Easy use acc, matching each task's harness default. A matched BF16-vs-INT4 delta on identical hardware and settings has not yet been run for this model; treat the scores below as standalone results rather than a verified quantization delta.

BenchmarkMetricScore
PIQAacc77.69
Winograndeacc68.75
HellaSwagacc_norm71.65
ARC-Easyacc73.53
ARC-Challengeacc_norm51.71

Average score: 68.67%

Evaluation Results


Quantization recipe

SettingValue
MethodAWQ
SchemeW4A16_ASYM
Group size128
Zero pointTrue
Calibration datasetOpenPlatypus, 512 samples
Max sequence length1024
Toolllm-compressor
Formatcompressed-tensors

Calibration used real instruction-following data from OpenPlatypus rather than data-free quantization techniques.


Usage

With transformers

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

MODEL_ID = "kumar2235/Qwen3.5-4B-AWQ"

tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)

model = AutoModelForCausalLM.from_pretrained(
    MODEL_ID,
    torch_dtype=torch.bfloat16,
    device_map="auto"
)

prompt = "Explain machine learning in one paragraph."

inputs = tokenizer(
    prompt,
    return_tensors="pt"
).to(model.device)

outputs = model.generate(
    **inputs,
    max_new_tokens=256
)

print(tokenizer.decode(outputs[0], skip_special_tokens=True))

With vLLM

from vllm import LLM, SamplingParams

llm = LLM(
    model="kumar2235/Qwen3.5-4B-AWQ"
)

outputs = llm.generate(
    ["Explain machine learning in one paragraph."],
    SamplingParams(
        temperature=0.7,
        max_tokens=256
    )
)

print(outputs[0].outputs[0].text)

Sample output

Prompt:

Explain machine learning in one paragraph.

Response:

Machine learning is a branch of artificial intelligence that enables computers to learn patterns from data and improve their performance on tasks without being explicitly programmed for every situation. By analyzing large amounts of information, machine learning models can make predictions, classify data, recognize patterns, and support decision-making. It powers applications such as recommendation systems, image recognition, language translation, fraud detection, and autonomous systems.

Hardware

ComponentSpecification
GPU (calibration)NVIDIA RTX 6000 Ada
GPU Memory49 GB
CUDA13.2
Quantization toolllm-compressor
Quantization methodAWQ W4A16_ASYM
  • Weights: ~3.13 GB on disk, ~3.06 GB VRAM at load
  • Single-GPU friendly: comfortably fits on 8 GB+ consumer cards for local inference and edge deployment

Limitations

  • Benchmarks above are standalone scores for the quantized model; they have not yet been diffed against a BF16 run under identical harness settings, so the true accuracy delta from quantization is not yet confirmed
  • Calibration set was OpenPlatypus (English-leaning instruction data) — heavy non-English or domain-specific workloads may benefit from re-quantizing on a matching corpus
  • Max sequence length used during calibration was 1024 tokens; behavior at much longer contexts has not been separately validated

License

Inherits the license of the base model. See the Qwen/Qwen3.5-4B model page for terms.


Citation

Base model

@misc{qwen3.5-4b,
    title  = {{Qwen3.5-4B}},
    author = {{Qwen Team}},
    year   = {2025},
    url    = {https://huggingface.co/Qwen/Qwen3.5-4B}
}

Quantization method

@article{lin2023awq,
    title   = {{AWQ}: Activation-aware Weight Quantization for LLM Compression and Acceleration},
    author  = {Lin, Ji and Tang, Jiaming and Tang, Haotian and Yang, Shang and Chen, Wei-Ming and Wang, Wei-Chen and Xiao, Guangxuan and Dang, Xingyu and Gan, Chuang and Han, Song},
    journal = {arXiv preprint arXiv:2306.00978},
    year    = {2023}
}

Storage Format

This model uses the compressed-tensors format.

Hugging Face may display BF16/I32/I64 tensor types because compressed AWQ models store quantization metadata, scales, and packed weights separately. The model loads and runs as a compressed AWQ INT4 model through Transformers and llm-compressor.

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForCausalLM
Ревизия весов
817b19e

0 моделей