/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3.6-27B
Библиотека
transformers
Опубликована
18 мая 2026

Qwen3.6-27B-Text-NVFP4-MTP-GGUF

Генерация текстаТекст → текст11 профессий

Текстовая NVFP4-сборка Qwen3.6-27B для llama.cpp на DGX Spark, предназначенная для помощи в программировании и рассуждениях.

23скачиваний за 30 дней10лайковвеса обновлены30 мая 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

Qwen3.6-27B-Text-NVFP4-MTP (GGUF) — производная текстовая сборка Qwen3.6-27B, подготовленная для запуска через llama.cpp на NVIDIA DGX Spark. Разработчик убрал модуль обработки изображений и квантовал веса в NVFP4 с помощью nvidia-modelopt; голова MTP сохранена в BF16 для спекулятивного декодирования. Репозиторий также объединяет эту сборку с Qwen3.6-27B и sakamakismile/Qwen3.6-27B-Text-NVFP4-MTP.

Модель предназначена прежде всего для программирования и рассуждений в платформе .init: она подходит для помощи при разработке ПО, анализа кодовых баз и работы с длинными техническими документами. README заявляет контекст до 128K токенов и скорость около 40 токенов в секунду на DGX Spark при коротком контексте и включённом спекулятивном декодировании; для длинного контекста указано около 25–35 токенов в секунду. Это показатели для конкретной конфигурации оборудования и настроек.

Это текстовая модель с поддержкой чата; обработка изображений отключена. README описывает английский язык, но не подтверждает поддержку других языков. Лицензия — Apache-2.0. Сборка ориентирована на llama.cpp и DGX Spark; заявленные характеристики скорости и использования памяти зависят от оборудования и параметров запуска.

Сценарии применения

  • генерация и доработка кода в IDE
  • анализ большой кодовой базы
  • поиск ошибок и объяснение фрагментов кода
  • ответы на вопросы по технической документации
  • обсуждение инженерных задач в чате

Ограничения

Сборка текстовая и не обрабатывает изображения; README ориентирует её на llama.cpp и NVIDIA DGX Spark. Заявленные скорость и работа с контекстом до 128K зависят от оборудования, настроек и длины запроса.

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

Qwen3.6-27B-Text-NVFP4-MTP (GGUF)

NVFP4-quantized, text-only GGUF build of Qwen3.6-27B for llama.cpp on NVIDIA DGX Spark (GB10, SM121).

Role in the .init Stack

This is the primary coding and reasoning model for the .init AI engineering platform. It's exposed as the .INIT/Pro alias in LiteLLM and is the default model for day-to-day AI-augmented software engineering on DGX Spark.

PropertyValue
.INIT/ alias.INIT/Pro
Docker profilellama-qwen-3-6-27b
Host port8000
Use caseCoding, reasoning, chat — the daily driver
Context128K tokens (codebase analysis, long documents)

Why This Model for DGX Spark

  • ~14 GB GGUF file → ~58 GB in GPU memory, leaving 50%+ of 128 GB free
  • ~40 tok/s with MTP speculative decoding — fast enough for interactive coding
  • NVFP4 quantization — NVIDIA's format works on SM121 without server-class TMEM hardware
  • llama.cpp only — no vLLM dependency (DGX Spark lacks the Tensor Memory and driver version vLLM requires)

Optimal Settings for the .init Stack

These are the settings used in docker-compose.interface.yml:

llama-server \
  -m /models/model.gguf \
  -a qwen3.6_27b \
  --jinja --chat-template-file /workspace/chat_template.jinja \
  --reasoning on --reasoning-format deepseek --reasoning-budget 8192 \
  --min-p 0.05 \
  --spec-type draft-mtp,ngram-mod --spec-draft-n-max 2 \
  --spec-draft-p-min 0.88 --spec-draft-ngl 99 \
  -ctk f16 -ctv f16 -ngl all -fa on -sm none -fit off \
  -c 131072 -b 2048 -ub 512 \
  --parallel 1 --cont-batching --cache-prompt --swa-full \
  -t 8 -tb 8 --mlock \
  --port 8080 --host 0.0.0.0 --metrics --timeout 120

Why This Exists

What Changed

  • Vision tower stripped (text-only)
  • Quantized to NVFP4 via nvidia-modelopt (group_size=16)
  • MTP head preserved in BF16 for speculative decoding
  • Calibrated on neuralmagic/calibration (20 samples)

Why llama.cpp + ModelOpt NVFP4 (and not vLLM)

The vLLM Problem on DGX Spark

Deploying NVFP4 via vLLM on DGX Spark (SM120/SM121) hits multiple blockers:

  1. Missing TMEM hardware — DGX Spark's edge-tier Blackwell chip lacks the 256 KB Tensor Memory (TMEM) found in datacenter SM100. NVFP4's block-packed layout cannot take the hardware-accelerated fast path, wasting ~7 GB VRAM and losing ~16% throughput vs. AWQ/FP8.
  2. Unoptimized kernels — vLLM's NVFP4 kernels for SM120 fall back to slow software paths, underperforming established 4-bit formats.
  3. MTP shape mismatch — Qwen3.6's speculative decoding head fails to inherit NVFP4's quantization layout in vLLM, causing batch initialization errors or 0% acceptance rates.
  4. Illegal instruction crashes — vLLM may invoke server-class Cutlass/FlashInfer backends incompatible with Spark's edge silicon.
  5. Driver lock — vLLM's latest NVFP4 support requires driver 595.58+, but DGX Spark ships with 580.x. Forcing an upgrade can break the unified memory fabric.

Why This Stack Works

ComponentWhy
llama.cppNo TMEM dependency — GGUF loads weights directly into GPU memory without layout transformations that require server-class hardware
ModelOpt NVFP4NVIDIA's own quantizer produces compact weights (~14 GB for 27B) with native BF16 MTP preservation
MTP + n-gramDual speculative decoding path achieves ~40 tok/s on DGX Spark without vLLM's MTP bugs
~45% memoryModel uses ~58 GB of 128 GB — leaving 50%+ free for additional models alongside

Demo

Click the thumbnail above to play the demo recording on YouTube.

Real-time capture: VS Code Chat + llama.cpp interface on a single DGX Spark node.

Performance

ConditionThroughputNotes
DGX Spark, short prompts~40 tok/sMTP n=2 + ngram speculative decoding, model fully on GPU
DGX Spark, long context (128K)~25–35 tok/sKV cache grows with context

40 tok/s achieved when:

  • Single DGX Spark node (GB10, SM121, 128 GB unified memory)
  • Speculative decoding enabled (--spec-type draft-mtp,ngram-mod, --spec-draft-n-max 2)
  • Model fully resident on GPU (-ngl all, --mlock)
  • Short-to-medium context (< 8K tokens in prompt)
  • 8 threads, flash attention on, F16 KV cache

Optimal Settings for Long Context

llama-server \
  -m qwen3.6-27b-text-nvfp4-mtp.gguf \
  -a qwen3.6_27b \
  --jinja \
  --chat-template-file /workspace/chat_template.jinja \
  --reasoning on \
  --reasoning-format deepseek \
  --reasoning-budget 8192 \
  --min-p 0.05 \
  --spec-type draft-mtp,ngram-mod \
  --spec-draft-n-max 2 \
  --spec-draft-p-min 0.88 \
  --spec-draft-ngl 99 \
  -ctk f16 -ctv f16 \
  -ngl all \
  -fa on \
  -sm none \
  -fit off \
  -c 131072 \
  -b 2048 \
  -ub 512 \
  --parallel 1 \
  --cont-batching \
  --cache-prompt \
  --swa-full \
  -t 8 -tb 8 \
  --mlock \
  --port 8080 \
  --host 0.0.0.0 \
  --metrics \
  --timeout 120

Key Settings Explained

FlagValueWhy
-c131072128K context window for long documents
--spec-type draft-mtp,ngram-modMTP + n-gram hybridDual speculative path for higher acceptance rate
--spec-draft-n-max 22 draft tokensMatches MTP head depth
--spec-draft-p-min 0.8888% acceptance thresholdBalanced speculation, fallback to n-gram
--reasoning-budget 81928192 tokensExtended reasoning budget for complex tasks
-ngl allAll layers on GPUNo CPU offloading — DGX Spark has 128 GB
-fa onFlash attentionO(n) memory for long context
-ctk f16 / -ctv f16F16 KV cachePrecision-critical for long context
-b 2048 / -ub 512Prefill 2048, decode 512Balanced batch sizing for throughput
--parallel 11 concurrent sequenceSingle sequence avoids memory pressure
--cont-batchingContinuous batchingBetter GPU utilization under load
--swa-fullFull sliding window attentionBetter long-range attention quality
--mlockLock in RAMPrevents eviction during long generations

When to Use Long Context Settings

  • Codebase analysis: scanning entire repositories (50K–128K tokens)
  • Document reasoning: legal/technical documents with cross-reference needs
  • Extended conversations: multi-turn sessions accumulating context
  • Not needed for: chat, quick Q&A, or prompts < 8K tokens (use simpler settings for max throughput)

Usage

# Quick start
llama-server -m qwen3.6-27b-text-nvfp4-mtp.gguf --port 8080

License

Apache 2.0

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
8ddfe1f

0 моделей