Характеристики

Лицензия: Apache 2.0
Базовая модель: Qwen3.8-27B
Опубликована: 1 сен 2026

Ссылки

Qwen3.8-27B-Hi-Fi-fraQtl

Генерация текстаТекст → текст15 профессий

Qwen3.8-27B Hi-Fi (fraQtl) — это текстовая GGUF-версия модели Qwen3.8-27B, подготовленная участником сообщества fraQtl на базе Qwen/Qwen3.8-27B.

798скачиваний за 30 дней0лайковвеса обновлены1 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 предназначена для генерации текста, включая задачи программирования, математики, общие текстовые сценарии и работу с длинным контекстом. Визуальная башня исходной модели не конвертирована, поэтому мультимодальные возможности в этой сборке отсутствуют.

Модель использует квантизацию Q4_K_M с эффективностью около 4,8 бит на параметр и занимает примерно 16,5 ГБ, что ориентирует её на системы класса Snapdragon X-Elite и AI-PC, а не на смартфоны. Заявлен нативный контекст до 262 144 токенов; тестирование извлечения информации подтверждено для последовательностей длиной до 131 072 токенов. По данным README, по сравнению с эталонными сборками того же класса она обеспечивает более близкое к исходным весам поведение на задачах кода и математики, а также сопоставимые результаты на GSM8K и MATH-500.

Ограничения включают возможное небольшое ухудшение качества: perplexity на Wikitext-2 выше на 0,7%, а совпадение ответов с исходной моделью в общих задачах ниже на 0,2 процентного пункта. Поддерживаемые языки отдельно не указаны. Модель распространяется по лицензии Apache-2.0.

Для каких профессий подходит15

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели I.5Универсальные способностиСоздание и редактирование текстаAI помогает создавать и улучшать текстовые материалы, сохраняя смысл и требования автора.18 задач44 385моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей I.2Универсальные способностиСинтез, понимание и проверка знанийAI помогает сжимать, сопоставлять и критически проверять знания без потери существенного контекста.18 задач42 341модель

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3.8-27B Hi-Fi (fraQtl) — calibration-aware Q4_K_M GGUF

Model Conversion Contributor: fraQtl — built by fraQtl. Canonical repo + full receipts: https://huggingface.co/fraQtl/Qwen3.8-27B-Hi-Fi-GGUF

Text-only GGUF (the vision tower is not converted). Iso-size Q4_K_M-class build of Qwen/Qwen3.8-27B — byte-matched to the leading community Q4_K_M (within 0.001%) with fraQtl calibration-aware per-tensor quantization.

Measured (all reproducible from the canonical repo's receipts pack)

Fidelity (KLD to original weights, lower = closer): −45.3% on code/math (0.123 vs 0.225) and −18.0% on general (0.231 vs 0.282) vs the community canonical at identical size.
Long-context retrieval: perfect on every cell of every run through the 131,072-token stretch rows (all arms needle-verified; native context 262,144).
Task benchmarks — ties, stated as ties: GSM8K 95.0% vs 94.0%, MATH-500 87.6% vs 88.2% — every pairwise difference inside the 95% CI.
Disclosed losses: Wikitext-2 perplexity +0.7% worse than canonical; top-1 agreement on general −0.2pp. Stated here, not buried.

Notes

16.5GB at ~4.8 bpw — Snapdragon X-Elite / AI-PC class rather than phone class.
Community builders credited: comparison arms are unsloth's UD-Q4_K_M (canonical) and ggml-org's Q4_K_M — both well-made; ties are ties.
Every number re-runnable: eval slices, teacher dumps, needle grid, and a single-file llama.cpp runner ship in the canonical repo's receipts pack.
Artifact sha256: 43bd8f235bd7843b6bb06d632235b3e2430c23ad3f54b2fb1e56f35e74eebd8d (byte-verified pre- and post-upload).

Как запустить

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

GPU в ailist

llama.cpp

Нельзя запустить

GGUF-модель ждёт проверки: нужно выбрать файл кванта под доступные GPU.

Ревизия весов: 2fcbbbe