/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3.6-35B-A3B
Библиотека
transformers
Опубликована
30 мая 2026

Qwen3.6-35B-A3B-NVFP4-MTP-GGUF

Генерация текстаТекст → текст15 профессий

Квантованная мультимодальная сборка Qwen3.6-35B-A3B для генерации текста и кода, длинного контекста и анализа изображений в llama.cpp.

111скачиваний за 30 дней1лайквеса 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

Qwen3.6-35B-A3B-NVFP4-MTP-GGUF — производная сборка модели Qwen3.6-35B-A3B, подготовленная Nilay Parikh для запуска через llama.cpp на NVIDIA DGX Spark. Это мультимодальная модель с архитектурой MoE: всего 35 млрд параметров, из которых около 3,5 млрд активны на токен. Основные веса квантизованы в NVFP4, голова MTP сохранена в BF16 для спекулятивного декодирования, а мультимодальный проектор для изображений поставляется отдельным файлом BF16 GGUF.

Модель предназначена для генерации кода и текста, анализа длинных репозиториев и документов, а также рассуждений по скриншотам интерфейсов и диаграммам. В README заявлен контекст до 256 тысяч токенов с масштабированием YaRN от базовых 128 тысяч; для обработки изображений требуется подключить отдельный mmproj. Карточка ориентирована на английский язык. Лицензия — Apache-2.0. В README указана скорость около 30 токенов/с при коротком контексте и настроенной спекулятивной генерации на DGX Spark; эти показатели зависят от оборудования и конфигурации.

Сценарии применения

  • генерация и дополнение кода
  • анализ большого репозитория за один запрос
  • ответы по длинным техническим документам
  • анализ скриншотов интерфейсов
  • рассуждения по диаграммам и изображениям

Ограничения

Для анализа изображений требуется отдельный файл мультимодального проектора mmproj. Производительность и поддерживаемая длина контекста зависят от оборудования, настроек llama.cpp и объёма KV-кэша.

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

Qwen3.6-35B-A3B-NVFP4-MTP (GGUF)

NVFP4-quantized, multimodal GGUF build of Qwen3.6-35B-A3B for llama.cpp on NVIDIA DGX Spark (GB10, SM121).

Role in the .init Stack

This is the fast, large-context, vision-capable model for the .init AI engineering platform. It's exposed as the .INIT/Flash alias in LiteLLM and is the go-to model for long-context tasks and multimodal reasoning on DGX Spark.

PropertyValue
.INIT/ alias.INIT/Flash
Docker profilellama-qwen-3-6-35b-a3b
Host port8001
Use caseLarge-context analysis, vision tasks, fast inference
Context256K tokens (entire repositories + images)
Vision✅ mmproj BF16 GGUF for multimodal reasoning

Why This Model for DGX Spark

  • MoE architecture — 35B total, only 3.5B active params per token → fast inference (~30 tok/s) despite large total size
  • 256K context — YaRN scaling from 128K native base, enough for full repository scans
  • Vision support — separate mmproj GGUF enables code screenshot analysis, UI understanding, diagram reasoning
  • ~22 GB + 863 MB mmproj → ~80 GB in GPU memory, fits in 128 GB with room for OS and other services
  • NVFP4 quantization — works on SM121 without server-class TMEM hardware required by vLLM

Optimal Settings for the .init Stack

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

llama-server \
  -m /models/model.gguf \
  -mm /models/mmproj.gguf \
  -a qwen3.6_35b_a3b \
  --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 262144 --rope-scaling yarn --yarn-orig-ctx 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

When to Use in .init

TaskUse .INIT/Flash (35B A3B)Use .INIT/Pro (27B)
Quick code generation✅ FastBetter quality
Full repo scan (50K-256K tokens)✅ 256K context❌ 128K limit
UI screenshot analysis✅ Vision mmproj❌ Text-only
Diagram / chart reasoning✅ Vision mmproj❌ Text-only
Deep debugging / architectureGood✅ Better reasoning
Chain-of-thought tasksGood✅ Deeper reasoning

Why This Exists

  • Inspired by sakamakismile/Qwen3.6-35B-A3B-NVFP4 — NVFP4 quantization + MTP restoration recipe
  • Goal: build a GGUF-compatible NVFP4 image for use with llama.cpp on DGX Spark, including the multimodal projector (mmproj) for vision-language tasks

What Changed

  • Quantized to NVFP4 via nvidia-modelopt (group_size=16)
  • MTP head preserved in BF16 for speculative decoding
  • Multimodal projector (mmproj) exported separately as BF16 GGUF for vision tasks
  • 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 VRAM and losing 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 (~24 GB for 35B A3B) with native BF16 MTP preservation
MTP + n-gramDual speculative decoding path achieves high throughput on DGX Spark without vLLM's MTP bugs
MultimodalSeparate BF16 mmproj GGUF enables vision-language tasks without re-quantizing the projector

Contents

FileSizeDescription
qwen3.6-35b-a3b-nvfp4-mtp.gguf~22 GBMain model weights (NVFP4 quantized)
mmproj-BF16.gguf~863 MBMultimodal projector (BF16, for vision tasks)

Performance

ConditionThroughputNotes
DGX Spark, short prompts~30 tok/sMTP n=2 + ngram speculative decoding, model fully on GPU
DGX Spark, long context (256K)~18–28 tok/sYaRN RoPE scaling, KV cache grows with context

30 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 qwen3.6-35b-a3b-nvfp4-mtp.gguf \
  -mm mmproj-BF16.gguf \
  -a qwen3.6_35b_a3b \
  --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 262144 \
  --rope-scaling yarn \
  --yarn-orig-ctx 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
-mqwen3.6-35b-a3b-nvfp4-mtp.ggufMain NVFP4-quantized model weights
-mmmmproj-BF16.ggufMultimodal projector for vision-language tasks
-c262144256K context window for long documents
--rope-scaling yarn + --yarn-orig-ctx 131072YaRN extrapolation from 128K basePreserves quality beyond native context
--spec-type draft-mtp,ngram-modMTP + n-gram hybridDual speculative path for higher acceptance rate
--spec-draft-n-max 22 draft tokensConservative speculation for larger model
--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 256K context
-b 2048 / -ub 512Prefill 2048, decode 512Balanced batch sizing for throughput
--parallel 11 concurrent sequenceLarger model — single 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–256K tokens)
  • Document reasoning: legal/technical documents with cross-reference needs
  • Extended conversations: multi-turn sessions accumulating context
  • Multimodal reasoning: vision-language tasks with long textual context
  • Not needed for: chat, quick Q&A, or prompts < 8K tokens (use simpler settings for max throughput)

Usage

# Quick start (text-only)
llama-server -m qwen3.6-35b-a3b-nvfp4-mtp.gguf --port 8081

# With multimodal projector (vision-language)
llama-server -m qwen3.6-35b-a3b-nvfp4-mtp.gguf -mm mmproj-BF16.gguf --port 8081

Differences from Qwen3.6-27B-Text

Aspect27B Text35B A3B
Parameters27B35B + A3B MoE
QuantizationNVFP4NVFP4
MultimodalNo (text-only)Yes (mmproj BF16)
Context window128K256K
Reasoning budget81928192
Speculative draft max22
Parallel sequences11
Model size~14 GB~22 GB + 863 MB mmproj
Host port80008001

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
7eec524

0 моделей