/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
31,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-27B-Uncensored
Опубликована
19 авг 2026

Qwen3.8-27B-Uncensored-INT8-W8A16-MTP

Изображение и текст → текст15 профессий

Qwen3.8-27B-Uncensored-INT8-W8A16-MTP — это мультимодальная квантизированная версия модели Qwen3.8-27B-Uncensored, опубликованная morikomorizz на основе исходной модели OrcaRouter и семейства Qwen.

1 513скачиваний за 30 дней3лайкавеса обновлены20 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 предназначена для генерации текста и обработки изображений с текстом, включая диалоговые и аналитические сценарии. В README заявлена поддержка английского и китайского языков, а максимальный контекст составляет до 262 144 токенов.

Модель использует формат W8A16: основные матричные вычисления выполняются с весами INT8 и активациями BF16, а vision tower, lm_head, MTP-компоненты и отдельные чувствительные элементы сохраняют BF16 или FP32. Размер весов на диске составляет около 29,4 ГБ, что позволяет запускать модель на одной RTX 4090 или A6000, а также на двух RTX 3090 с tensor parallelism. Поддерживаются vLLM, Marlin и speculative decoding через MTP; это не GGUF-модель. Ключевое преимущество — существенное снижение требований к памяти при заявленном близком к исходному качеству, однако производительность и совместимость зависят от подходящих GPU и версии vLLM. Исходная модель является abliterated, то есть с существенно удалёнными механизмами отказа, поэтому она может выполнять вредоносные или неэтичные запросы и требует осторожного применения. Лицензия — Apache 2.0, унаследованная от базовой 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

Qwen3.8-27B-Uncensored · INT8 W8A16 · BF16 MTP

A high-fidelity, Ampere-optimized quantization of the abliterated Qwen3.8-27B for dual RTX 3090 / single RTX 4090 inference.

Base model · llm-compressor · vLLM

Format W8A16 Weights INT8 Activations BF16 License Apache 2.0

This is a numerical W8A16 quantization of orcarouter/Qwen3.8-27B-Uncensored, an abliterated (refusal-removed) version of Qwen3.8-27B. All model credit belongs to Qwen and OrcaRouter; refer to the upstream model cards for architecture, capabilities, and usage guidance.


Quantization Design

ComponentPrecisionReason
MLP projectionsINT8 W8A16Largest dense GEMMs
Full-attention projectionsINT8 W8A16Low output-distribution error
GDN in_proj_qkv, in_proj_z, out_projINT8 W8A16~4 GB memory recovery
GDN in_proj_a, in_proj_bBF16Tiny recurrent gates; precision safeguard
Vision towerBF16Preserve multimodal fidelity
lm_headBF16Preserve final-logit fidelity
MTP headBF16Keep speculative drafter close to target
Norms, conv1d, A_log, dt_biasBF16/FP32Non-Linear; never packed

400 quantized Linear GEMMs: 192 MLP + 64 full-attention + 144 GDN projections.

Recipe

# recipe.yaml
default_stage:
  default_modifiers:
    QuantizationModifier:
      targets: [Linear]
      ignore:
        - lm_head
        - re:.*visual.*
        - re:.*mtp.*
        - re:.*linear_attn[.]in_proj_a$
        - re:.*linear_attn[.]in_proj_b$
      scheme: W8A16

Why W8A16 on Ampere

RTX 3090/4090 GPUs are Ampere/Ada sm_86. They do not provide native FP8 tensor-core execution. W8A16 uses INT8 weights (Marlin kernel) with BF16 activations — the correct format for Ampere/Ada inference with predictable behavior and near-lossless quality.

Do not use FP8 checkpoints on RTX 3090 — they silently fall back to BF16 dispatch, negating memory savings.


Memory Requirements

ConfigurationBF16 SourceThis Quant
Weights (disk)55.6 GB29.4 GB
Loaded VRAM (1 GPU)56+ GB~29 GB
Minimum GPU× H100 80 GB1× RTX 4090 / A6000
Dual GPU2× 48 GB2× RTX 3090 24 GB

262K context fits on a single RTX 4090 with FP8 KV cache.


Serving

Single GPU (RTX 4090 / A6000 48 GB)

vllm serve morikomorizz/Qwen3.8-27B-Uncensored-INT8-W8A16-MTP \
  --served-model-name qwen3.8-27b-uncensored-w8a16 \
  --dtype bfloat16 \
  --gpu-memory-utilization 0.92 \
  --max-model-len 262144 \
  --trust-remote-code \
  --reasoning-parser qwen3 \
  --tool-call-parser qwen3_coder \
  --speculative-config '{"method":"mtp","num_speculative_tokens":3}'

Dual RTX 3090 (2×24 GB, tensor-parallel)

export NCCL_P2P_DISABLE=1
export VLLM_WORKER_MULTIPROC_METHOD=spawn

vllm serve morikomorizz/Qwen3.8-27B-Uncensored-INT8-W8A16-MTP \
  --tensor-parallel-size 2 \
  --dtype bfloat16 \
  --gpu-memory-utilization 0.92 \
  --max-model-len 262144 \
  --max-num-batched-tokens 8192 \
  --kv-cache-dtype fp8_e4m3 \
  --enable-chunked-prefill \
  --trust-remote-code \
  --reasoning-parser qwen3 \
  --tool-call-parser qwen3_coder \
  --speculative-config '{"method":"mtp","num_speculative_tokens":3}'

Python Client

from openai import OpenAI
client = OpenAI(base_url="http://localhost:8000/v1", api_key="none")
resp = client.chat.completions.create(
    model="qwen3.8-27b-uncensored-w8a16",
    messages=[{"role": "user", "content": "Hello!"}],
    max_tokens=512,
)
print(resp.choices[0].message.content)

Checkpoint Profile

PropertyValue
QuantizationData-free symmetric RTN W8A16, group size 128
Runtime formatcompressed-tensors / pack-quantized
Kernel dispatchCompressedTensorsWNA16 → MarlinLinearKernel
Preserved precisionBF16 vision tower, lm_head, MTP, GDN gates
MTPBF16 draft model; embeddings and lm_head shared with target
RuntimevLLM; this is not a GGUF checkpoint

Files

FilePurpose
model-00001-of-00002.safetensorsPacked W8A16 language + GDN weights
model-00002-of-00002.safetensorsPacked W8A16 + BF16 vision tower
model_mtp.safetensorsBF16 MTP head, 15 tensors, ~0.79 GB
model.safetensors.index.jsonShard-to-tensor mapping
recipe.yamlExact llm-compressor W8A16 recipe

⚠️ Disclaimer

This model is quantized from an abliterated (refusal-removed) source. It has had its safety alignment substantially removed and will comply with harmful, unethical, or offensive requests. It is released strictly for legitimate research. You assume full responsibility for its use.


Acknowledgements

License: Apache 2.0, inherited from the base model.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Готовая квантизация поддерживается только для текстовых LLM (vLLM).

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
81fafb5

0 моделей