/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5_moe · dense
Библиотека
transformers
Опубликована
21 апр 2026

Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive-NVFP4

Изображение и текст → текст11 профессий

Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive-NVFP4 — квантизированная версия модели HauhauCS/Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive, основанной на Qwen/Qwen3.6-35B-A3B.

2 536скачиваний за 30 дней19лайковвеса обновлены13 июн 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 подготовлена пользователем lyf с использованием формата compressed-tensors и предназначена для запуска через vLLM на графических процессорах NVIDIA Blackwell с архитектурой SM 120.

Это мультимодальная модель типа image-text-to-text для обработки текста и изображений, включая визуально-текстовые запросы и генерацию ответов. Архитектура представляет собой MoE с 35 млрд параметров всего и примерно 3 млрд активных параметров; используются 256 экспертов, из которых маршрутизируются 8 и дополнительно задействуется один общий эксперт. Квантизация выполнена в формате NVFP4 W4A4, при этом 30 слоёв linear attention на базе DeltaNet/Mamba и блок MTP сохранены в формате bfloat16 для повышения качества. Размер модели составляет около 22 ГБ, заявленный максимальный текстовый контекст — более 131K токенов на RTX 5090.

Сильными сторонами являются сочетание MoE-архитектуры, мультимодальности, большого контекстного окна и оптимизации под современные GPU Blackwell, а также консервативный профиль квантизации. Ограничения включают требование NVIDIA Blackwell GPU с SM 120 и зависимость от совместимого стека vLLM и compressed-tensors; заявленные характеристики производительности относятся главным образом к RTX 5090. Языки модели в README не указаны. Модель распространяется по лицензии Apache-2.0.

Для каких профессий подходит11

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

Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive-NVFP4

NVFP4 quantized version of HauhauCS/Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive.

Conservative profile: linear_attn (30 DeltaNet/Mamba layers) and MTP kept in bf16 for best quality. Follows AEON-7/RedHatAI approach.

SpecValue
Base modelHauhauCS/Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive (Q8_K_P GGUF)
Original modelQwen/Qwen3.6-35B-A3B
ArchitectureQwen3.5 MoE — 35B total, 3B active, 256 experts (8 routed + 1 shared)
QuantizationNVFP4 W4A4 (conservative: linear_attn + MTP in bf16)
Formatcompressed-tensors (native vLLM support)
Size~22 GB
Max context (text-only)131K+ on RTX 5090
RequiresNVIDIA Blackwell GPU (SM 120)

Quantization Recipe

recipe = QuantizationModifier(
    targets="Linear", scheme="NVFP4",
    ignore=["lm_head", "re:.*visual.*", "re:.*mlp.gate$",
            "re:.*mlp.shared_expert_gate$", "re:.*linear_attn.*", "re:^mtp.*"],
)
oneshot(model=model, dataset=ds, recipe=recipe,
        max_seq_length=1024, num_calibration_samples=128,
        moe_calibrate_all_experts=True, pipeline="basic")
  • Calibration: HuggingFaceH4/ultrachat_200k, 128 samples × 1024 tokens
  • MTP tensors copied from Qwen/Qwen3.6-35B-A3B (not present in GGUF)

Deployment (vLLM)

Vision + text smoke-tested on RTX 5090

This repository has been smoke-tested locally on an RTX 5090 with vllm/vllm-openai:v0.21.0-cu130-local, compressed-tensors, NVFP4 Marlin GEMM, FP8 KV cache, and a real image chat.completions request.

VLLM_USE_FLASHINFER_MOE_FP4=0 \
VLLM_NVFP4_GEMM_BACKEND=marlin \
vllm serve ./Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive-NVFP4 \
  --served-model-name qwen36-35b-a3b-hauhaucs-nvfp4 \
  --quantization compressed-tensors \
  --kv-cache-dtype fp8 \
  --gpu-memory-utilization 0.90 \
  --max-model-len 4096 \
  --max-num-seqs 1 \
  --max-num-batched-tokens 1024 \
  --trust-remote-code

For short non-thinking answers, pass chat_template_kwargs at the top level of the OpenAI-compatible request:

{
  "chat_template_kwargs": {"enable_thinking": false}
}

Text-only long context

VLLM_USE_FLASHINFER_MOE_FP4=0 \
VLLM_NVFP4_GEMM_BACKEND=marlin \
vllm serve ./Qwen3.6-35B-A3B-Uncensored-HauhauCS-Aggressive-NVFP4 \
  --quantization compressed-tensors \
  --kv-cache-dtype fp8 \
  --gpu-memory-utilization 0.95 \
  --max-model-len 100000 \
  --max-num-seqs 1 \
  --reasoning-parser qwen3 \
  --language-model-only \
  --trust-remote-code

Pipeline

Converted using li-yifei/gguf-to-nvfp4:

Q8_K_P GGUF → step1_convert_qwen36_moe.py → HF bf16 → step2_quantize_qwen36_moe.py → NVFP4

Also See

Acknowledgments

  • HauhauCS for the uncensored GGUF source
  • Qwen for the base model and MTP weights
  • AEON-7 and RedHatAI for conservative quantization approach reference

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Готовая квантизация поддерживается только для текстовых LLM (vLLM).

Класс архитектуры
Qwen3_5MoeForConditionalGeneration
Ревизия весов
c9eb0a9

0 моделей