/ Модель

Характеристики

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

Qwen3.8-27B-3bit-mtp-mlx

Изображение и текст → текст15 профессий

leonsarmiento/Qwen3.8-27B-3bit-mtp-mlx — это 3-битная MLX-квантизация мультимодальной модели Qwen3.8-27B, разработанной командой Qwen.

1 810скачиваний за 30 дней9лайковвеса обновлены9 сен 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

Модель предназначена для задач text-to-text и image-text-to-text, включая диалоговую работу с текстом и изображениями, генерацию кода и другие сценарии локального запуска на устройствах Apple через совместимые MLX-инструменты. В основу входит dense hybrid-attention VLM с 64 слоями: 48 слоями linear attention и 16 слоями full attention, контекстом до 262K токенов и сохранённой vision tower. Поддерживаемые языки в README не указаны.

Основная часть слоёв использует 3-битное affine-квантование с group_size=64; embedding layers и lm_head имеют 4-битное квантование, а vision tower — 8-битное. Размер модели составляет около 13,04 ГБ в трёх шардах. Отличительная особенность — встроенный Multi-Token Prediction (MTP) слой, позволяющий включать спекулятивное декодирование без отдельной модели-черновика. В oMLX с включённым MTP заявлено ускорение генерации примерно на 30,7% в однопоточном режиме и до 90,9 токена в секунду при пакетной генерации 4×, однако требуется около 15,69 ГБ пиковой памяти.

Сильными сторонами являются мультимодальность, большой контекст, относительно небольшой размер для класса 27B и высокая скорость декодирования при использовании oMLX. Ограничения включают повышенное потребление памяти при активном MTP, отсутствие поддержки ускорения MTP в LM Studio и снижение качества на задачах, требующих интенсивного рассуждения: для таких сценариев рекомендуется отключать MTP. 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-mtp-mlx

Qwen3.8-27B VLM with the MTP drafter baked in — the speed variant of this quantization family. Identical 3-bit mixed recipe as Qwen3.8-27B-3bit-mlx, plus the source model's Multi-Token Prediction layer bundled inside the checkpoint, so the engine runs speculative decoding natively — no separate drafter model to download or pair.

Which one should you get?

Qwen3.8-27B-3bit-mlxThis model (3bit-mtp)
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, toggleable at runtime
Best forThe RAM-poor — leanest footprintMachines with ~3 GB headroom that want extra decode speed

⚠️ Lightning MTP speedup is an oMLX-only feature (verified on oMLX v0.6.1, build 2323). LM Studio does not execute bundled MTP layers — this model loads and runs fine there, but the MTP tensors are inert dead weight. LM Studio users: get the clean Qwen3.8-27B-3bit-mlx instead. MTP is also not needed for thinking mode — see below.

Quantization Details

Same recipe as the clean build:

  • 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

MTP add-on (extracted from the source mtp.* tensors, scottlowry/oQ checkpoint convention):

  • 7 norm tensors: bf16, +1.0 MLX RMSNorm convention
  • fc.weight: bf16 unquantized (bit-identical to source)
  • 7 linear layers: 4-bit affine, group_size=64 (per-tensor config overrides — the 3-bit default doesn't apply to them)
  • text_config.mtp_num_hidden_layers: 1, mtp_use_dedicated_embeddings: false

Stats: 3.716 bpw base + 0.33 GB MTP · 13.04 GB · 3 shards · mlx-vlm · vision tower preserved · chat template with reasoning_effort defaulting to low.

Benchmarks (oMLX v0.6.1, Engine Auto, Context: Code/Python, pp1024/tg128)

Configtg TPS (1×)tg TPS (4×)Peak Mem
3bit-mtp, Lightning MTP ON20.090.915.69 GB
3bit-mtp, MTP OFF15.367.413.16 GB
oQ4e-mtp reference (4-bit + iMatrix), MTP ON22.387.218.35 GB
oQ4e-mtp reference, MTP OFF14.859.016.41 GB
  • +30.7% single-stream decode with MTP on (15.3 → 20.0 tok/s)
  • Beats the 4-bit oQ4e reference at batch ≥ 2 (90.9 vs 87.2 tok/s @ 4×) while using 2.66 GB less memory
  • Single-stream sits ~10% below a 4-bit verifier: the 3-bit base rejects more speculative drafts (verifier noise) — the accepted trade for the smaller footprint
  • Disable TurboQuant KV cache — MTP shows no advantage with it enabled

When to turn MTP off: thinking/reasoning-heavy tasks. Faster token generation gets spent on more reasoning, not faster answers (measured on Qwen3.6-35B MATHQA: −7pp accuracy with MTP on, +20% wall time). With MTP off this model behaves exactly like the clean 3-bit build.

Source

Qwen/Qwen3.8-27B — dense hybrid-attention VLM, 64 layers (48 linear attention + 16 full attention), 262K context, MTP prediction layer.

Instruct Benchmarks

ModelMMLUMMLU_PROHUMANEVALMBPPAvg
Huihui-Gemma-4 26B 3bit-XL78.0%71.0%98.0%82.0%82.3%
Gemma-4 26B 3bit-XL80.0%65.0%98.0%86.0%82.3%
Qwen3.8-27B 3bit-mtp80.0%61.0%94.0%70.0%76.3%
Qwen3.6-35B 3bit-XL82.0%63.0%66.0%80.0%72.8%
Huihui-Qwen3.6-35B 3bit-XL83.0%63.0%62.0%76.0%71.0%

Family comparison

Instruct mode (thinking off). Sampled: MMLU 100/14042, MMLU_PRO 100/12032, HUMANEVAL 50/164, MBPP 50/500. Wall times not directly comparable across architectures (dense vs MoE active params).

Highlights: HUMANEVAL 94% at dense 3-bit — strong code for the size class. Benchmarks ran in instruct mode; engage Lightning MTP (oMLX only) for decode speed, not for these quality numbers.

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
5bd16d7

0 моделей