/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
12,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-27B
Библиотека
mlx
Опубликована
17 авг 2026

Qwen3.8-27B-3bit-mlx

Изображение и текст → текст15 профессий

leonsarmiento/Qwen3.8-27B-3bit-mlx — мультимодальная модель VLM, разработанная на основе Qwen3.8-27B от Qwen и конвертированная автором в формат MLX с помощью mlx-vlm.

771скачиваний за 30 дней1лайквеса обновлены18 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

Она предназначена для работы с текстом и изображениями, включая диалоговые, аналитические и программные сценарии. Модель поддерживает контекст до 262 тысяч токенов и рассчитана на запуск в экосистеме MLX, в частности через mlx-vlm, oMLX и LM Studio.

Архитектура представляет собой плотную гибридную модель с 64 слоями: 48 используют линейное внимание, а 16 — полное внимание. Размер модели — 27B параметров. Применена смешанная квантизация: большинство языковых слоёв сжаты до 3 бит, эмбеддинги и lm_head — до 4 бит, а vision tower сохранён с 8-битной точностью. Объём модели составляет около 12,71 ГБ, пиковое потребление памяти в заявленном тесте — 15,61 ГБ. Модель поддерживает режимы с рассуждением и без него; по умолчанию в этой сборке reasoning_effort установлен на low, что сокращает задержку и длину рассуждений.

Сильными сторонами являются поддержка изображений, большой контекст, сниженное потребление памяти и более высокая скорость декодирования по сравнению с равномерной 4-битной версией при сопоставимом качестве на приведённых тестах. Ограничения включают зависимость от MLX-совместимого программного обеспечения и аппаратной конфигурации, а также компромисс между качеством, скоростью и глубиной рассуждений при 3-битной квантизации. Лицензия — 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

leonsarmiento/Qwen3.8-27B-3bit-mlx

This model leonsarmiento/Qwen3.8-27B-3bit-mlx was converted to MLX format from Qwen/Qwen3.8-27B using mlx-vlm — full multimodal (VLM), vision preserved at 8-bit.

Two variants of this build — pick by your RAM budget:

This model (clean 3-bit)Qwen3.8-27B-3bit-mtp-mlx
Footprint12.71 GB13.04 GB (+0.33 GB)
Peak memory (pp1024/tg128)13.16 GB15.69 GB with MTP on / 13.16 GB with MTP off
Speculative decoding—✅ bundled MTP, toggleable
Best forThe RAM-poor — leanest footprint, best tok/s per GB~3 GB headroom → extra decode speed (+30.7% on oMLX)

The MTP variant's Lightning speedup is an oMLX-only feature (v0.6.1+); LM Studio does not execute bundled MTP layers. LM Studio users: this clean build is the one you want.

⚠️ Reasoning effort is baked to low in this build. The chat template ships with reasoning_effort|default('low') patched into both chat_template.jinja and tokenizer_config.json (upstream default is 'xhigh'). Out of the box, thinking is brief and focused — faster TTFT, shorter reasoning chains, less overthinking. For hard problems, pass reasoning_effort='medium' or 'xhigh' explicitly (LM Studio: template kwargs; oMLX: chat_template_kwargs).

Qwen3.8-27B is architecturally identical to Qwen3.6-27B (config.json differs only in transformers_version): a dense hybrid-attention VLM with 64 layers (48 linear attention + 16 full attention), 262K context, and an MTP prediction layer. This quantization uses the same recipe that made Qwen3.6-27B-3bit-mlx the go-to 3-bit build for this family.

Quantization Details

The model uses mixed quantization:

  • Embedding layers: 4-bit with group_size=64
  • Prediction head (lm_head): 4-bit with group_size=64
  • Vision tower: 8-bit with group_size=64
  • All other layers: 3-bit with group_size=64

Stats: 3.716 bits per weight · 12.71 GB · 3 shards · mlx-vlm 0.6.13 · vision tower preserved (8-bit, 84 modules) · embeddings + untied lm_head at 4-bit · 496 language modules at 3-bit

Benchmarks vs vanilla 4-bit uniform (mlx-community/Qwen3.8-27B-4bit)

Both run on oMLX (Engine: Auto, Context: Code/Python).

Summary: this 3-bit build decodes +7.8% faster (19.3 vs 17.9 tok/s @ batch 1), uses 3.4 GB less peak memory (15.6 vs 19.1 GB), and matches the 4-bit uniform on quality (MMLU −2pp, MMLU_PRO +2pp).

Single Request

Qwen3.8-27B-3bit-mlx (this model)

TestTTFT (ms)TPOT (ms)pp TPStg TPSE2E (s)ThroughputPeak Mem
pp1024/tg1289966.952.26102.7 tok/s19.3 tok/s16.61469.3 tok/s15.61 GB
pp4096/tg12839974.963.99102.5 tok/s15.8 tok/s48.11887.8 tok/s16.69 GB

Qwen3.8-27B-4bit (mlx-community, vanilla uniform)

TestTTFT (ms)TPOT (ms)pp TPStg TPSE2E (s)ThroughputPeak Mem
pp1024/tg12810289.656.4499.5 tok/s17.9 tok/s17.46965.9 tok/s19.06 GB
pp4096/tg12838404.954.15106.7 tok/s18.6 tok/s45.29593.3 tok/s20.28 GB

Continuous Batching (pp1024/tg128)

Batch3bit tg TPS4bit tg TPS3bit Speedup4bit Speedup3bit Peak-ish E2E4bit E2E
1x19.3 tok/s17.9 tok/s1.00x1.00x16.61417.469
2x37.4 tok/s36.8 tok/s1.94x2.06x34.73034.383
4x64.7 tok/s66.2 tok/s3.35x3.70x70.50969.697

General Knowledge — Instruct Mode

BenchmarkSampledQwen3.8-27B-3bit-mlxQwen3.8-27B-4bit
MMLU50/1404276.0%78.0%
MMLU_PRO50/1203258.0%56.0%

General Knowledge — Reasoning Mode (effort low)

Coming soon.

Use with mlx

pip install mlx-vlm

Recommended Inference Parameters - Add to Jinja template on LM studio or Chat Template Kwargs on oMLX

Template Flags

This model's chat template accepts three flags, set in the jinja template (LM Studio) or as Chat Template Kwargs (oMLX):

  • enable_thinking — true (thinking mode, default) / false (instruct mode)
  • preserve_thinking — true keeps prior assistant reasoning in multi-turn history
  • reasoning_effort — 'low' / 'medium' / 'xhigh' (this build ships with the template default patched to 'low' for snappy responses — pass 'xhigh' explicitly for hard problems)

Sampling Parameters

Thinking mode for general tasks (enable_thinking=true): temperature=1.0, top_p=0.95, top_k=20, min_p=0.0, presence_penalty=0.0, repetition_penalty=1.0

Thinking mode for precise coding tasks (e.g. WebDev) (enable_thinking=true): temperature=0.6, top_p=0.95, top_k=20, min_p=0.0, presence_penalty=0.0, repetition_penalty=1.0

Instruct (or non-thinking) mode (enable_thinking=false): temperature=0.7, top_p=0.80, top_k=20, min_p=0.0, presence_penalty=1.5, repetition_penalty=1.0

Example Usage

from mlx_vlm import load, generate

model, processor = load("leonsarmiento/Qwen3.8-27B-3bit-mlx")

messages = [{"role": "user", "content": "hello"}]

prompt = processor.tokenizer.apply_chat_template(
    messages, add_generation_prompt=True, tokenize=False,
    enable_thinking=True, reasoning_effort="medium",
)

response = generate(model, processor, prompt=prompt, max_tokens=512)

Example with Custom Parameters

from mlx_vlm import load, generate

model, processor = load("leonsarmiento/Qwen3.8-27B-3bit-mlx")

messages = [{"role": "user", "content": "hello"}]
prompt = processor.tokenizer.apply_chat_template(
    messages, add_generation_prompt=True, tokenize=False,
    enable_thinking=False,
)

response = generate(
    model,
    processor,
    prompt=prompt,
    temperature=0.7,
    top_p=0.80,
    top_k=20,
    min_p=0.0,
    presence_penalty=1.5,
    repetition_penalty=1.0,
    max_tokens=512,
)

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon, на GPU NVIDIA они не запускаются.

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
5fc234d

0 моделей