/ Модель

Характеристики

Библиотека
llama.cpp
Опубликована
20 авг 2026

Ornith-1.5-35B-A3B-XYZ

Генерация текстаТекст → текст6 профессий

Ornith-1.5-35B-A3B-XYZ — это набор сбалансированных GGUF-квантизаций модели Ornith-1.5-35V, опубликованный пользователем или организацией quimmedes.

334скачиваний за 30 дней10лайковвеса обновлены21 авг 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 и запуска в llama.cpp, включая сценарии локального инференса на системах с ограниченной видеопамятью. README не указывает исходного разработчика базовой модели отдельно от автора сборок и не приводит её лицензию.

Модель использует гибридную архитектуру SSM и attention с Mixture-of-Experts: общий объём составляет около 35 млрд параметров, при этом активно для токена используется примерно 3 млрд. Около 93% параметров приходится на маршрутизируемые эксперты. Доступны варианты GGUF от Q2.5 до Q8 размером примерно от 11,2 до 37,2 GiB. Непараметрические экспертные проекции, включая attention, SSM, маршрутизатор, embedding и output head, сохраняются в Q8_0, а отдельные важные компоненты — в BF16; для экспертных весов применяются уровни IQ2, IQ3 и Q4_K с использованием importance matrix. Рекомендуемый контекст в примерах составляет 8192 токена, однако заявленные языки и точное максимальное окно контекста не указаны.

Сильной стороной является баланс между качеством и размером: внимание и экспертные веса квантизуются сопоставимо, а MoE-структура позволяет запускать модель с размещением экспертов в оперативной памяти и основных компонентов на GPU. Это делает возможным использование примерно 8 ГБ VRAM при наличии около 16 ГБ RAM, хотя такой режим требует llama.cpp, CPU-оффлоада экспертов и может снижать скорость. Более низкие уровни квантизации экономят память, но потенциально сильнее ухудшают точность; README не содержит результатов бенчмарков, оценки качества, описания языковой поддержки или сведений о лицензии.

Для каких профессий подходит6

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-1.5-35B-A3B — XYZ Quantizations

Balanced GGUF quantizations of Ornith‑1.5‑35V (a 35B total / ~3B active hybrid SSM+attention Mixture‑of‑Experts model), built with the XYZ method: a balanced, MoE‑aware allocation in which attention layers and expert weights are kept at comparable precision rather than starving one for the other.

Highlights

  • Balanced allocation — routed experts (≈93% of parameters) and attention are quantized to similar effective bit‑rates; no "maxed attention / starved experts" skew.
  • Int8 dense core — all non‑expert projections (attention q/k/v/output, SSM out/gate, router gate) kept at Q8_0; token embedding and output head also Q8_0.
  • BF16 invariants preserved at every level: SSM α/β scalars, attention k/v, router input — negligible cost, maximal quality.
  • Imatrix‑guided low‑bit expert quantization (IQ2 / IQ3 / Q4_K tiers) for accuracy at small sizes.

Files

FileSizeBPW
Ornith‑1.5‑35B‑A3B‑Q2.5‑XYZ.gguf11.2 GiB2.72
Ornith‑1.5‑35B‑A3B‑Q3‑XYZ.gguf12.5 GiB3.02
Ornith‑1.5‑35B‑A3B‑Q4‑XYZ.gguf17.1 GiB4.13
Ornith‑1.5‑35B‑A3B‑Q5‑XYZ.gguf21.1 GiB5.10
Ornith‑1.5‑35B‑A3B‑Q5.5‑XYZ.gguf23.7 GiB5.72
Ornith‑1.5‑35B‑A3B‑Q6.5‑XYZ.gguf27.8 GiB6.71
Ornith‑1.5‑35B‑A3B‑Q8‑XYZ.gguf37.2 GiB9.01

Usage (llama.cpp)

# example: run the Q4 build fully on GPU
./llama-cli -m Ornith-1.5-35B-A3B-Q4-XYZ.gguf -ngl 99 -c 8192

Running on limited VRAM (8 GB GPU + 16 GB RAM)

Ornith is a MoE model (~3B active of 35B total), so it runs well by keeping the big routed experts in system RAM and putting only attention / SSM / shared parts on the GPU. Pin the experts to CPU with --n-cpu-moe, use a modest context, and quantize the KV cache to Q4_0 to cut VRAM.

# ~8 GB VRAM target: routed experts in 16 GB RAM, attention+SSM on GPU, q4_0 KV cache
./llama-server -m Ornith-1.5-35B-A3B-Q2.5-XYZ.gguf \
  -ngl 999 -ncmoe 30 \
  -c 8192 -ctk q4_0 -ctv q4_0 \
  --temp 0.6 --threads 4 --parallel 1

Notes:

  • -ncmoe N keeps the routed MoE experts on CPU (use a small value like 30); only attention / SSM / shared-expert / embeddings go to the GPU. This is what makes an 8 GB card usable for a 35B model.
  • -ctk q4_0 -ctv q4_0 quantizes the K/V cache to Q4_0, roughly halving its VRAM footprint so longer contexts fit in 8 GB.
  • If it OOMs, lower -c (e.g. 4096) or increase -ncmoe value or use a smaller level; if you have headroom, raise -c.

Method / provenance

Built from the BF16 master (Ornith‑1.5‑35B‑BF16.gguf, 71 GB) using llama.cpp llama-quantize with per‑tensor‑type rules plus an importance matrix (blocks 0–39). The MTP/speculative block is quantized to Q4_K.

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
2ef6434

0 моделей