/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
18,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-27B-Uncensored-W4A16-AutoRound
Библиотека
transformers
Опубликована
2 сен 2026

Qwen3.8-27B-Uncensored-W4A16-RTX3090-MTP4

Изображение и текст → текст15 профессий

protogeni/Qwen3.8-27B-Uncensored-W4A16-RTX3090-MTP4 — сервировочно-оптимизированный квантованный чекпойнт семейства Qwen3.8-27B.

667скачиваний за 30 дней7лайковвеса обновлены17 сен 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 разработана protogeni на основе Qwen3.8-27B, последовательно преобразованного в uncensored-версию OrcaRouter, квантованный вариант AutoRound W4A16 и данный чекпойнт для инференса. Заявлены английский и китайский языки. Модель предназначена прежде всего для генерации текста, программирования и задач рассуждения, а также для развёртывания на одной видеокарте с поддержкой speculative decoding через MTP4. Vision tower сохранён, однако протестированный профиль на 100 000 токенов рассчитан только на текст.

Основная часть трансформера использует W4A16 с группой 128, эмбеддинги токенов имеют формат INT8, а выходные и MTP-головы — калиброванный GPTQ INT4. Для черновой генерации используется словарь из 40 960 токенов. На RTX 3090 Ti с BF16 KV-кэшем и MTP4 заявлена поддержка контекста до 100 000 токенов; измеренная скорость генерации составляет примерно 82,7–128,4 токена в секунду в зависимости от нагрузки. Среди приведённых результатов: 94,77% на GSM8K, 76,14% на MMLU-Pro, 94,51% pass@1 на HumanEval и 90,85% pass@1 на HumanEval+.

Сильные стороны модели — высокая производительность на одной 24 ГБ видеокарте, большой текстовый контекст, ускорение speculative decoding и хорошие результаты в математике и программировании. Ограничения включают зависимость от специально исправленного runtime syv-ai и vLLM 0.27.1, необходимость соответствующей настройки MTP4, а также то, что 100K-профиль не использует мультимодальный ввод. Результат на MMMU validation составил 24,56% при 891 ограничении по максимальному числу выходных токенов, поэтому мультимодальные возможности и этот показатель следует интерпретировать осторожно. 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

Qwen3.8-27B Uncensored · W4A16 + MTP4

A complete uncensored checkpoint optimized for speculative decoding on a single 24 GB GPU. 100K text context with BF16 KV cache and MTP4 is tested on an RTX 3090 Ti.

The W4A16 transformer body is paired with INT8 token embeddings, calibrated GPTQ INT4 output/MTP heads, and a 40,960-token draft vocabulary selected from this model's own outputs. Group size is 128. The vision tower is retained; the 100K serving profile is text-only.

100K serving setup

Use the patched syv-ai runtime, tested with vLLM 0.27.1. 100K profile details.

Download into the runtime repository:

hf download protogeni/Qwen3.8-27B-Uncensored-W4A16-RTX3090-MTP4 \
  --local-dir models/Qwen3.8-27B-Uncensored-W4A16-RTX3090-MTP4

Merge these settings into its .env:

MODEL=/app/models/Qwen3.8-27B-Uncensored-W4A16-RTX3090-MTP4
CTX=fast
SPEC=mtp
DRAFT_TOKENS=4
PREFIX_CACHE=1
VISION=0
GPU_UTIL=0.95
MAX_LEN=100000
MAX_SEQS=4
CG=8
EXTRA_ARGS=--kv-cache-memory=7730941132 --max-num-batched-tokens 512
docker compose --profile single up -d --no-deps --force-recreate single

Set the client's context limit to 100,000 tokens, including the reply.

Measured performance

RTX 3090 Ti, BF16 KV + MTP4. Generation rates exclude prompt processing and include reasoning tokens.

WorkloadGeneration speed
Three short coding prompts, pooled128.4 tokens/s
64,230 input + 1,024 output tokens92.1 tokens/s
96,238 input + 3,072 output tokens82.7 tokens/s
98,233 input + 1,536 output tokens84.6 tokens/s

Quality results

BenchmarkResult
GSM8K94.77% — 1,250/1,319
MMLU-Pro, 5-shot76.14% — 1,066/1,400
HumanEval94.51% pass@1 — 155/164
HumanEval+90.85% pass@1 — 149/164
IFBench39.33% strict / 42.00% loose
MMMU validation24.56% — 221/900; 891 output-cap hits

MMLU-Pro used thinking; the other listed tests used thinking off. MMMU used an eager, MTP-off profile. Protocols, raw results, and earlier speed tests.

Lineage and license

Qwen/Qwen3.8-27B → OrcaRouter uncensored → noon-at-cgn AutoRound W4A16 → this serving-optimized checkpoint.

Build and calibration details. Apache-2.0 license.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Готовая квантизация поддерживается только для текстовых LLM (vLLM).

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
b753b6c

0 моделей