/ Модель

Характеристики

Контекст
262 144 токена
Параметры
22,3 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_5_text · dense
Базовая модель
Qwen3.8-27B
Библиотека
vllm
Опубликована
31 авг 2026

mnma_qwen3.8_27b_nvfp4

Генерация текстаТекст → текст15 профессий

mnma_qwen3.8_27b_nvfp4 — квантизированная версия языковой модели Qwen3.8-27B, разработанная Minima на основе посттренировочной квантизации.

921скачиваний за 30 дней12лайковвеса обновлены4 сен 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 предназначена для генерации текста, диалоговых сценариев, решения математических и экзаменационных задач, программирования и работы с длинным контекстом. Это текстовая модель без vision-компонента, сохраняющая поддерживающий рассуждения chat template.

Все 496 линейных слоёв backbone, включая 48 слоёв Gated DeltaNet, 16 attention-слоёв и 64 MLP-слоя, переведены в формат NVFP4 W4A4 с размером группы 16. Embeddings, lm_head, conv1d, нормализации, A_log и dt_bias сохранены в BF16, а KV-cache использует откалиброванные статические FP8-масштабы. Заявлены существенное снижение потребления памяти и ускорение: 17,53 GiB против 50,13 GiB для BF16, 1154 против 621 токена в секунду при указанной нагрузке и время prefill 32K около 4,03 секунды против 6,90 секунды. Модель требует vLLM не ниже 0.27 и GPU с аппаратной поддержкой NVFP4, например NVIDIA Blackwell SM120.

По приведённым измерениям качество в большинстве задач близко к BF16: результаты GSM8K и AIME'25 совпадают, а различия на MMLU-Pro, GPQA-Diamond и LiveCodeBench невелики. Ограничениями являются зависимость от совместимого оборудования и vLLM, а также некоторое ухудшение perplexity, особенно на контексте 4K; сравнение корректно только при одинаковых настройках обслуживания. Модель распространяется по лицензии 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

mnma Qwen3.8-27B NVFP4 (Minima)

A fully W4A4 build of Qwen3.8-27B by post-training quantization alone: every one of the 496 backbone linear layers — all 48 Gated DeltaNet (GDN) layers and their gate projections included — quantized to NVFP4, plus calibrated FP8 KV-cache scales. No quantization-aware training, no distillation — calibration only.

Early public 4-bit builds of this model kept the GDN block at 8/16-bit on the assumption that recurrent-state layers are fragile under quantization. Our accompanying paper shows the opposite — the architecture's own gating and delta-rule correction make the recurrent half the easy half to quantize — and this checkpoint is the proof: it matches BF16 within seed noise on every task we measured while being the smallest and fastest-prefill recipe in the cohort the paper compares.

What exactly is quantized

BlockTensorsPrecision
GDN (48 layers)in_proj_qkv, in_proj_z, in_proj_a, in_proj_b, out_projNVFP4 W4A4 (group 16)
Attention (16 layers)q/k/v/o_projNVFP4 W4A4
MLP (64 layers)gate/up/down_projNVFP4 W4A4
KV cache (16 attention layers)k_scale/v_scalecalibrated static FP8 scales (32 tensors)
Embeddings, lm_head, conv1d, norms, A_log/dt_bias—BF16

Built with llm-compressor (NVFP4 scheme + kv_cache_scheme fp8/tensor/static), calibrated on a frozen 128-sample × 32K-token set. Text-only Qwen3_5ForCausalLM extraction (no vision tower).

Global scales are harmonized. vLLM fuses in_proj_qkv+z and in_proj_b+a into single NVFP4 GEMMs with one global scale each, while llm-compressor calibrates them per module (up to 2.8× apart). Serving an unharmonized checkpoint silently mis-scales the GDN decay/write gates. This checkpoint has the fused groups rewritten to shared global scales with the ratio folded into the per-block scales, so it serves correctly out of the box.

Serving

Requires vLLM ≥ 0.27 on hardware with native NVFP4 (SM120 / Blackwell):

vllm serve minima-ai/mnma_qwen3.8_27b_nvfp4 --kv-cache-dtype fp8

--kv-cache-dtype fp8 picks up the calibrated k/v scales shipped in the checkpoint.

Evaluation

Measured under one serving regime (vLLM 0.27.1, TP=1, one 96 GB RTX PRO 6000, FP8 KV cache), against the BF16 model served identically:

BF16this model
WikiText-2 PPL @4K / @32K6.95 / 10.357.68 / 10.50
MMLU-Pro80.479.7
GSM8K95.595.5
AIME'25 (pass@1, 4 seeds)86.786.7
GPQA-Diamond (pass@1, 4 seeds)86.585.1
LiveCodeBench v679.078.5
RULER NIAH single/multikey @32K, @64K100 ×4100 ×4
Weights in VRAM50.13 GiB17.53 GiB
Decode tok/s (1K in / 1K out, concurrency 32)6211,154
TTFT, 32K-token prefill6.90 s4.03 s

No task score is CI-separated from BF16. Task rows were measured on the scale-free twin of this checkpoint (identical weights; a KV-cache ablation showed KV precision moves no task score for either model); PPL, RULER, and throughput were measured on this checkpoint directly. The perplexity gap (+0.73 @4K, +0.15 @32K) shrinks with context — quantization error does not accumulate in the recurrent state; see the paper for the mechanism study.

Notes

  • Long-context perplexity of the base model rises inside long requests (BF16 shows the same 6.95 → 10.35 pattern); compare models only under matched serving paths.
  • Quantized with the thinking-capable chat template intact; evaluation used enable_thinking=false for MMLU-Pro/GSM8K and thinking-on sampling for AIME/GPQA/LCB.

Paper: Why Gated DeltaNet Survives 4-Bit Quantization: NVFP4 W4A4 for the Recurrent Half of a Hybrid 27B LLM (arXiv:2609.04098).

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForCausalLM
Ревизия весов
16e768e

0 моделей