/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
MIT
Архитектура
qwen3_5_moe · dense
Базовая модель
Ornith-1.0-35B
Библиотека
transformers
Опубликована
27 июн 2026

Ornith-1.0-35B-FP8

Генерация текстаТекст → текст10 профессий

Ornith-1.0-35B-FP8 — это квантизированная версия модели DeepReinforce Ornith-1.0-35B, подготовленная и проверенная командой protoLabs.

2 154скачиваний за 30 дней8лайковвеса обновлены3 июл 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 представляет собой гибридную MoE-архитектуру Qwen3.5-35B-A3B с механизмами рассуждения и самоскэффолдинга, ориентированную прежде всего на агентное программирование. Она поддерживает генерацию текста, рассуждения, работу с инструментами и мультимодальные сценарии с изображениями и видео.

Модель использует блочную FP8-квантизацию E4M3 с блоками 128×128 и динамическим квантованием активаций по токенам. Квантизированы экспертные FFN-слои и проекции внимания, тогда как критичные компоненты, включая SSM-линейное внимание, маршрутизатор MoE, эмбеддинги, нормализации и vision tower, сохранены в bf16. Полный контекст составляет 256K токенов. Размер обслуживаемой модели — около 35 ГБ; она рассчитана на одну видеокарту с 80–96 ГБ памяти и проверена с vLLM.

Сильные стороны модели — пригодность для агентного кодирования, рассуждений, длинного контекста, многоязычной генерации и вызова инструментов при производительности, близкой к исходной bf16-версии. Ограничения включают требования к мощной GPU, зависимость от совместимого стека vLLM и remote code, а также возможную небольшую потерю качества при квантизации: в приведённых однократных тестах показатель генерации кода составил 0,975 против 1,00, а успешность function call — 89% против 93%. Модель распространяется по лицензии MIT; авторство базовой модели принадлежит команде DeepReinforce, а protoLabs добавила FP8-квантизацию.

Для каких профессий подходит10

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

Ornith-1.0-35B-FP8

Block-wise FP8 (E4M3) quantization of deepreinforce-ai/Ornith-1.0-35B — DeepReinforce's self-scaffolding agentic-coding MoE (Qwen3.5-35B-A3B hybrid). Served size ~35 GB; fits a single 80–96 GB GPU with full context.

Quantized and serve-validated by protoLabs on RTX PRO 6000 Blackwell (vLLM 0.22.1).

Why this exists

The upstream FP8 release was reported broken. This is a clean, serve-validated FP8 built to the Qwen official block-wise format (served natively on vLLM's fused-MoE Triton path), with the entire linear-attention / SSM path and the MoE router kept in bf16 — FP8-quantizing those corrupts the hybrid SSM and is the most likely failure mode for a naive FP8 of this architecture.

Quantization recipe

  • Scheme: block-wise [128, 128] FP8 E4M3, dynamic per-token activations (quant_method: fp8, activation_scheme: dynamic).
  • Quantized: all expert FFNs (gate/up/down), shared-expert FFNs, full-attention projections (q/k/v/o).
  • Kept bf16 (modules_to_not_convert): lm_head, embed_tokens, MoE router gates (mlp.gate, shared_expert_gate), all linear_attn.* (SSM: in_proj_*, out_proj, conv1d, A_log, dt_bias), all norms, and the vision tower.
  • Streaming tensor-by-tensor quantizer (peak RAM ≈ 2× largest tensor) — no full-model load.

Validation (protoLabs harness, thinking-on, single trial)

Smoke: coherent across coding / reasoning / long-form / multilingual / tool-calling — no gibberish, no reasoning leak.

Metricbf16 sourceThis FP8
custom coding (one-shot)1.00 (10/10)0.975 (9/10)
function-call93% (50/54)89% (48/54)
decode tok/s (1× RTX PRO 6000)208207

Deltas are within single-trial run-to-run variance (temp 0.6–0.7); throughput is identical to the source.

Serving (vLLM)

vllm serve protoLabsAI/Ornith-1.0-35B-FP8 \
  --served-model-name ornith-35b \
  --max-model-len 262144 \
  --reasoning-parser qwen3 \
  --enable-auto-tool-choice --tool-call-parser qwen3_xml \
  --gpu-memory-utilization 0.90 \
  --trust-remote-code

Context: full 256K (262144). Vision: the base is multimodal (Qwen-VL-style image + video tokens) and the vision tower is preserved in bf16 — the recipe above keeps it enabled. For text-only serving (smaller footprint), add --language-model-only. Verified serving with vision on at 256K on RTX PRO 6000 (Blackwell, sm120).

Ornith is a reasoning model: the assistant turn opens with a <think>…</think> block surfaced as reasoning_content; tool calls are emitted as standard tool_calls. Recommended sampling: temperature=0.6, top_p=0.95, top_k=20.

License & attribution

MIT, inheriting Ornith-1.0. All credit for the base model to the DeepReinforce team (blog); this repo only adds the FP8 quantization.

@misc{ornith-35b, title={{Ornith-1.0-35B}: Agentic Coding, Open to All},
  url={https://deep-reinforce.com/ornith_1_0.html}, author={{DeepReinforce Team}}, year={2026}}

The Ornith quant family

  • Ornith-1.0-9B-NVFP4 — calibrated W4A4 for vLLM, MTP sidecar in-box; 10.4 GB, gate-verified parity, ~1.5x bf16+MTP.
  • Ornith-1.0-9B-MTP-GGUF — llama.cpp builds incl. the NVFP4+MTP rung (306 tok/s on Blackwell).
  • Ornith-1.0-9B-MTP — the MTP draft head.
  • 35B-A3B NVFP4 is next in the pipeline (MoE is NVFP4's best case).

Benchmark rows: protoLabsAI/lab-benchmarks · protolabs.studio/lab. Different quant? Community discussion — ~48h.

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5MoeForConditionalGeneration
Ревизия весов
eeecbda

0 моделей