/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
12,3 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5_moe · dense
Базовая модель
Qwen3.6-35B-A3B-OptiQ-4bit
Библиотека
mlx
Опубликована
28 авг 2026

Qwen3.6-35B-A3B-OptiQ-4bit-REAP-19B

Генерация текстаТекст → текст15 профессий

Qwen3.6-35B-A3B-OptiQ-4bit-REAP-19B — это квантизированная и подвергнутая экспертному прунингу языковая модель для генерации текста, разработанная сообществом mlx-community на базе mlx-community/Qwen3.6-35B-A3B-OptiQ-4bit.

9 185скачиваний за 30 дней8лайковвеса обновлены28 авг 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 использует архитектуру Mixture-of-Experts: в каждом слое сохранено 128 из 256 экспертов, при этом для каждого токена активируются 8 экспертов. Число параметров уменьшено с 35,1 до 18,8 млрд, размер на диске составляет 13,8 ГБ, а пиковое потребление памяти — около 11,6 ГБ. Данные о поддерживаемых языках и размере контекста в README не указаны.

Модель предназначена для локального запуска и генерации текста на устройствах Apple Silicon через MLX, а также для задач следования инструкциям, математических рассуждений, вызова функций и генерации кода. Прунинг выполнен методом REAP без деквантизации, повторной квантизации или дообучения; активные параметры на токен и скорость декодирования сохраняются, а скорость в указанном сравнении выросла с 47,0 до 54,7. По сравнению с исходной моделью Capability Score снизился с 80,03 до 76,57; особенно заметно падение на MMLU, тогда как результаты GSM8K и IFEval улучшились. 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

mlx-community/Qwen3.6-35B-A3B-OptiQ-4bit-REAP-19B

Built with mlx-optiq, the MLX-native toolkit to quantize, prune, fine-tune, and serve LLMs locally on Apple Silicon. All OptiQ models · Docs

13.8 GB instead of 23.0 GB. 11.6 GB of memory to run instead of 24.5 GB. Capability Score 76.57 against the parent's 80.03.

ParentThis model
On disk23.0 GB13.8 GB−40%
Peak memory24.5 GB11.6 GB−53%
Parameters35.1B18.8B−47%
Decode47.054.7
Capability Score80.0376.57-3.47

50% of the routed experts are removed from mlx-community/Qwen3.6-35B-A3B-OptiQ-4bit; active parameters per token are unchanged, since top-8 routing is preserved and only the stored expert bank shrinks. That is why it gets smaller without getting slower.

Retained experts are copied bit-for-bit from the parent quant. Nothing is dequantized, re-quantized, merged, or retrained.

What pruning costs

BenchmarkParentThis modelΔ
MMLU83.762.3-21.4
GSM8K87.990.5+2.6
IFEval72.676.9+4.3
BFCL-V392.591.5-1.0
HumanEval91.590.2-1.3
HashHop52.048.0-4.0
Capability Score80.0376.57-3.47

Details

PropertyValue
Experts retained128 of 256 per layer
Active experts per token8 (unchanged)
Allocationuniform (128 of 256 in every layer)
Size13.8 GB (parent 23.0 GB)
Parameters18.8B (parent 35.1B)
SelectionREAP — mean of router weight × expert output norm, over the tokens each expert served
Calibrationoptiq six-domain mix, 8 samples
MTP sidecarpreserved

Use it

pip install mlx-optiq
optiq serve --model mlx-community/Qwen3.6-35B-A3B-OptiQ-4bit-REAP-19B
from mlx_lm import load, generate
model, tok = load("mlx-community/Qwen3.6-35B-A3B-OptiQ-4bit-REAP-19B")
print(generate(model, tok, prompt="Hello", max_tokens=64))

Method

Expert pruning follows REAP (Cerebras Research, ICLR 2026 — REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression). Experts are ranked by the conditional mean of router weight × expert output norm over calibration data; the lowest-ranked are removed and the router is sliced to match.

OptiQ applies it in the quantized domain — directly on a quantized checkpoint, with no BF16 parent and no dequantization of survivors — via optiq prune-experts. See the pruning docs.

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_5MoeForConditionalGeneration
Ревизия весов
95193a5

0 моделей