/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9,1 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-9B
Библиотека
transformers
Опубликована
16 авг 2026

Qwen3.8-9B-gptq-int4

Генерация текстаТекст → текст15 профессий

malvavisc0/Qwen3.8-9B-gptq-int4 — квантизированная версия модели empero-ai/Qwen3.8-9B, разработанная в формате GPTQ Int4.

466скачиваний за 30 дней0лайковвеса обновлены16 авг 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 относится к семейству Qwen и представляет собой плотную модель примерно на 9 млрд параметров, дистиллированную из Qwen3.8 2.4T A95B. Квантизация выполнена для текстовых модулей; заявлена гибридная архитектура с 24 слоями GatedDeltaNet и 8 слоями полнотекстового внимания. Нативный контекст составляет до 262 тысяч токенов. В репозитории также присутствует необработанная vision tower, однако подробности о поддерживаемых визуальных сценариях не приведены.

Модель предназначена для генерации текста, рассуждений, решения математических задач, программирования и агентских сценариев с вызовом инструментов. Она поддерживает reasoning с блоками <think>, управление интенсивностью рассуждений через chat template и XML-формат вызова инструментов. Предусмотрена интеграция с vLLM и Transformers, а также совместимость с OpenAI API через локальный сервер vLLM. Указан английский язык; сведения о полноценной поддержке других языков отсутствуют.

Ключевое преимущество — снижение потребления памяти: размер весов составляет около 8,5 ГБ против примерно 18 ГБ у версии BF16. Для работы рекомендуется не менее 12 ГБ общей памяти, комфортный режим начинается примерно с 16 ГБ, а видеокарты с 24 ГБ позволяют использовать длинный контекст. На CPU модель запускается, но медленно. К ограничениям относятся потери, связанные с Int4-квантизацией, необходимость правильно настраивать длину контекста и размер пакета, а также потенциально длинные рассуждения в блоках <think>, которые может потребоваться удалять перед показом пользователю.

Модель распространяется по лицензии Apache-2.0, унаследованной от исходной модели.

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

Qwen3.8-9B — GPTQ Int4

Qwen3.8-9B-gptq-int4 — Think deeper. Run lighter.

Frontier-scale reasoning. 8.5 GB of VRAM. One consumer GPU.

This is a GPTQ Int4 quantization of empero-ai/Qwen3.8-9B — a full-parameter distillation of the Qwen3.8 2.4T A95B teacher into a dense 9B. Every answer opens with a <think> block learned from trillion-parameter-scale reasoning traces. The BF16 original needs ~18 GB; this artifact delivers the same weights in 8.5 GB with a mean per-layer quantization error of 2.3e-5.

Why this model

  • A 2.4T teacher in a 9B student. Math, code, and tool-use CoT distilled from Qwen3.8 2.4T A95B — not self-generated reasoning. MMLU (CoT) jumps +20.5 points over the Qwen3.5-9B base.
  • Int4 without the quality cliff. Calibrated on 256 samples that match the serving distribution — DeepSeek-R1 math traces, competitive programming solutions, and agentic tool-use conversations — rendered through the model's own chat template. Not web text. The calibration sees exactly what production traffic looks like.
  • Full text-stack coverage. All 200 quantizable text modules quantized (24 GatedDeltaNet + 8 full-attention layers, hybrid architecture). The vision tower is passed through untouched.
  • 262k native context, preserved.
  • vLLM-ready. Ships with the extended chat template (reasoning effort control, XML tool-call format) and serves with a single vllm serve command.

Where it runs

HardwareFitNotes
RTX 4090 / 5090 (24 GB)✅ comfortableLong contexts, batch serving
RTX 3090 / A5000 (16–24 GB)✅The sweet spot
RTX 3080 / 4070 Ti (12–16 GB)✅Clamp --max-model-len for long contexts
Apple Silicon (16 GB+ unified)✅Via vLLM or transformers
NVIDIA GB10 / DGX Spark (128 GB unified)✅Full 262k context, no clamps
CPU-only⚠️Works via transformers, slow — use a GGUF instead

Rule of thumb: 8.5 GB weights + KV cache. 12 GB of total memory is the practical floor; 16 GB is comfortable; 24 GB+ lets the 262k context breathe.

Quickstart (vLLM — recommended)

pip install "vllm>=0.27"
vllm serve malvavisc0/Qwen3.8-9B-gptq-int4 \
  --quantization gptq_marlin --max-num-seqs 10

--max-num-seqs 10 matters: this is a hybrid GatedDeltaNet/full-attention architecture, and vLLM's Mamba-style cache is happiest with a bounded batch. On 24 GB cards, add --max-model-len 32768 (or less) if you don't need the full 262k.

Then talk to it over the OpenAI API:

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="x")
resp = client.chat.completions.create(
    model="malvavisc0/Qwen3.8-9B-gptq-int4",
    messages=[{"role": "user", "content":
        "A snail sits at the bottom of a 10 m well. Each day it climbs "
        "3 m, each night it slips back 2 m. How many days to escape?"}],
    temperature=0.6, top_p=0.95,
    extra_body={"top_k": 20, "max_tokens": 16384},
)
print(resp.choices[0].message.content)

Quickstart (transformers)

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "malvavisc0/Qwen3.8-9B-gptq-int4"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto")

messages = [{"role": "user", "content": "Prove that √2 is irrational."}]
inputs = tok.apply_chat_template(
    messages, add_generation_prompt=True, return_tensors="pt"
).to(model.device)

out = model.generate(
    inputs, max_new_tokens=16384,
    temperature=0.6, top_p=0.95, top_k=20, do_sample=True,
)
print(tok.decode(out[0][inputs.shape[1]:], skip_special_tokens=True))

Best practices

  • Sampling: temperature=0.6, top_p=0.95, top_k=20. Greedy decoding causes repetition loops in reasoning models of this class.
  • Token budget: be generous (max_new_tokens ≥ 8192). <think> blocks are long by design — the model deliberates, then answers. Strip the <think>...</think> span for end users.
  • Tool calling: native XML <tool_call> format per Qwen3.5's spec; pass tool definitions via the chat template's tools argument.
  • Reasoning effort: the shipped chat template supports reasoning_effort (low→xhigh) — dial it down for easy questions, up for competition math.

Quantization details

MethodGPTQ Int4, group size 128, desc_act
Quantizergptqmodel 7.3.4 (torch 2.13, transformers 5.15)
Calibration256 samples: 96 math CoT (nvidia/OpenMathReasoning), 96 code CoT (nvidia/OpenCodeReasoning), 64 agentic tool-use (nvidia/Nemotron-Agentic-v1), rendered through the shipped chat template, seq len 4096
Coverage200/200 quantizable text modules (vision tower excluded by design — text-only calibration can't represent it)
Qualitymean per-layer GPTQ error 2.3e-5, worst 1.1e-4
Size8.5 GB (vs 18 GB BF16)
Provenanceaft_provenance.json + quant_log.csv included in this repo

Base revision: 0934f3d2327ff2df2197495278c4c46ae5a56bd9. Produced with aft (Aria Finetuner).

Sibling artifacts

  • empero-ai/Qwen3.8-9B — BF16 original + benchmark table
  • empero-ai's GGUF builds — for llama.cpp / CPU / Metal

License

Apache-2.0, inherited from the Qwen3.5-9B base via the upstream distillation. Credit to Empero for the model and the Qwen team for the architecture.

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
2902f72

0 моделей