/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
gguf
Опубликована
4 мая 2026

Nemotron-3-Nano-Omni-30B-A3B-Reasoning-TurboQuant-GGUF-MXFP4_MOE

Изображение и текст → текст11 профессий

Квантованная GGUF-версия мультимодальной модели NVIDIA Nemotron для диалогов и анализа текста и изображений через llama.cpp.

421скачиваний за 30 дней1лайквеса обновлены15 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

Это квантованная в формате GGUF версия Nemotron-3-Nano-Omni-30B-A3B-Reasoning от NVIDIA, подготовленная majentik для запуска через llama.cpp. Веса языковой основы представлены в варианте MXFP4_MOE; модель использует гибридную архитектуру Mamba-2 и Transformer с разреженным MoE. Для мультимодального запуска требуется отдельный файл мультимодального проектора mmproj-F16.

Модель предназначена для диалогов и задач понимания текста и изображений; карточка базовой модели также описывает работу с аудио и видео. В README указаны текстовый бэкенд, визуальный энкодер CRADIO v4-H и аудиоэнкодер Parakeet-TDT-0.6B-v2. Для инференса с изображениями, аудио и видео рекомендуется llama-mtmd-cli; Ollama в описанном варианте поддерживает только текст. Режим расширенного рассуждения включён по умолчанию и может отключаться параметром enable_thinking=False.

Это квантованный производный вариант базовой модели NVIDIA, а не отдельный метод TurboQuant: README уточняет, что это название релиза и что веса получены стандартными квантователями. Оценочный размер файла — около 30 ГБ. README предупреждает, что сборка llama.cpp с CUDA 13.2 даёт некорректные результаты; рекомендуются CUDA 12.x, Metal или CPU. Лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Сценарии применения

  • диалоги и ответы на вопросы по тексту
  • описание и анализ изображений
  • мультимодальные запросы по тексту и изображениям
  • обработка аудио и видео через llama-mtmd-cli с проектором

Ограничения

Для мультимодального инференса нужен отдельный проектор mmproj-F16; указанный сценарий Ollama поддерживает только текст. README предупреждает о некорректной работе с CUDA 13.2 и указывает, что конкретные условия лицензии other в предоставленных данных не раскрыты.

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

[!TIP] KV-cache quantization without any fork (recommended, 2026): upstream llama.cpp/Ollama now cover this natively — use -ctk q8_0 -ctv q8_0 (~half KV memory, negligible quality loss: perplexity +0.002–0.05) or -ctk q4_0 -ctv q4_0 (~quarter memory, ≈7.6% perplexity increase). In Ollama: OLLAMA_KV_CACHE_TYPE=q8_0 with OLLAMA_FLASH_ATTENTION=1. Keep K and V types symmetric to stay on the fast fused Flash-Attention path. Since April 2026, mainline llama.cpp also applies Hadamard rotation to KV activations (PR #21038), which greatly improves low-bit KV quality (opt-out: LLAMA_ATTN_ROT_DISABLE=1).

The RotorQuant/TurboQuant fork flow below is experimental/legacy: the TurboQuant llama.cpp PR was closed without merging (June 2026) and the fork is unmaintained relative to mainline. It is NOT required to use this model.

Nemotron-3-Nano-Omni-30B-A3B-Reasoning - TurboQuant GGUF MXFP4_MOE

GGUF MXFP4_MOE quantization of Nemotron-3-Nano-Omni-30B-A3B-Reasoning (nvidia/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-BF16) with TurboQuant weight method.

The MXFP4_MOE.gguf binary in this repo is loaded by llama.cpp / llama-mtmd-cli. For multimodal inference (text + image + audio + video) pair this with the multimodal projector: majentik/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-mmproj-F16.

For the matched-KV stack — TurboQuant weights + TurboQuant KV-cache modifier — For the runtime KV-cache modifier itself (weight-agnostic), see majentik/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-TurboQuant.

Quickstart

# 1. Download the GGUF + the multimodal projector
huggingface-cli download majentik/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-TurboQuant-GGUF-MXFP4_MOE MXFP4_MOE.gguf --local-dir ./model
huggingface-cli download majentik/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-mmproj-F16 mmproj-F16.gguf --local-dir ./mmproj

# 2. Multimodal inference (text + image + audio + video)
llama-mtmd-cli \
  -m ./model/MXFP4_MOE.gguf \
  --mmproj ./mmproj/mmproj-F16.gguf \
  --image cat.jpg \
  -p "Describe this image in detail" \
  --temp 0.6 --top-p 0.95 -n 512

# 3. Text-only inference (no mmproj needed)
llama-completion -no-cnv \
  -m ./model/MXFP4_MOE.gguf \
  -p "What is the capital of France?" \
  --temp 0.6 --top-p 0.95 -n 256

# Disable extended reasoning (default is on):
#   add `--chat-template-kwargs '{"enable_thinking": false}'`

⚠️ Do NOT use llama.cpp built against CUDA 13.2 — produces gibberish. Pin CUDA 12.x or use Metal/CPU.

Modality matrix

ModalityEncoderQuantization in this variant
TextLLM backbone (Mamba-2 + Transformer hybrid Sparse MoE)per the variant suffix
ImageCRADIO v4-HBF16 (kept full-precision in every non-GGUF variant; GGUF uses mmproj-F16 split file)
AudioParakeet-TDT-0.6B-v2BF16 (same rationale)
VideoParakeet-TDT-0.6B-v2 + frame samplerBF16 (≤ 2 min, 256 frames @ 2 FPS)

NVIDIA's official FP8 / NVFP4 recipe keeps both encoders + the cross-modal MLP projectors in BF16 to preserve multimodal accuracy. We follow that convention in every quantized variant we ship.

Runtime quirks

llama.cpp

Use llama-mtmd-cli for multimodal inference; pass --mmproj mmproj-F16.gguf (see majentik/Nemotron-3-Nano-Omni-30B-A3B-Reasoning-mmproj-F16).

Do NOT use CUDA 13.2 — produces gibberish. Pin CUDA 12.x or use the Metal/CPU paths.

Ollama

Text-only; multimodal is blocked because Ollama doesn't yet support the mmproj split-file pattern.

Reasoning mode

enable_thinking defaults to True. To disable extended reasoning (e.g., for latency-sensitive cases), pass enable_thinking=False to the chat template / generate call. No separate "no-think" variant card exists — this is a runtime flag, not a model variant.

Quant trade-off (GGUF lane)

QuantApprox sizeUse caseRecommendation
Q2_K~17 GBLossy, low-RAM CPU/edgeResource-constrained inference
Q3_K_M~19 GBSmaller-than-Q4, modest quality dropEdge devices with ~16 GB RAM
IQ4_XS~16 GBImportance-quant 4-bit, smaller than Q4_K_MBest size/quality at 4-bit
Q4_K_M~23 GBBalanced defaultRecommended for most users
Q5_K_M~24 GBHigher fidelity than Q4Quality-sensitive applications
Q6_K~28 GBApproaching FP16 qualityHigh-fidelity CPU/edge
Q8_0~32 GBNear-lossless referenceFidelity-critical work
MXFP4_MOE~17 GBMicroscaling FP4 (MoE-aware)vLLM / transformers users

(Current variant — MXFP4_MOE — is bolded.)

Variants in this family

(Showing 56 sibling variants under majentik/nemotron3-nano-omni-30b-*. The current variant — TurboQuant-GGUF-MXFP4_MOE — is bolded.)

VariantRuntimeApprox sizeUse case
TurboQuant-GGUF-MXFP4_MOEllama.cpp~30 GBMXFP4 MoE quant

About the RotorQuant / TurboQuant labels

RotorQuant and TurboQuant are this project's release labels, not distinct quantization algorithms — for any given tier, both brand repos carry byte-identical weights produced with the standard MLX / llama.cpp quantizers. No brand-specific speedup is claimed or measured.

Как запустить

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

GPU в ailist

Универсальный рантайм · gguf

Нельзя запустить

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

Ревизия весов
e731e06

0 моделей