/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
MIT
Архитектура
qwen3_5_moe · dense
Базовая модель
Ornith-1.5-35B-A3B
Библиотека
sglang
Опубликована
21 авг 2026

Ornith-1.5-35B-A3B-NVFP4-W4A16

Изображение и текст → текст13 профессий

Ornith-1.5-35B-A3B-NVFP4-W4A16 — это независимый community-артефакт, созданный r0b0tlab на основе модели Ornith-1.5-35B-A3B от Ornith AI.

1 231скачиваний за 30 дней4лайкавеса обновлены21 авг 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 «Изображение → 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 предназначена для мультимодальных сценариев image-text-to-text, включая генерацию текста, программирование, математические задачи, выполнение инструкций и агентское кодирование. Артефакт не связан с NVIDIA или Ornith AI и не является их официальным продуктом.

Модель использует архитектуру Qwen3_5MoeForConditionalGeneration с 35,1 млрд параметров, гибридным механизмом GDN linear attention и softmax attention, а также Mixture-of-Experts. Это квантизованная версия с NVFP4 W4A16 weight-only: веса Linear-слоёв представлены в 4-битном формате, активации используют BF16, KV-кэш — FP8-E4M3. Размер на диске составляет около 23 ГБ вместо 67 ГБ у BF16-версии, что даёт сжатие примерно в 2,9 раза. Заявлен контекст до 32 768 токенов, однако сведения о поддерживаемых языках в README отсутствуют.

По внутреннему набору из 200 вопросов модель показала сопоставимое с BF16-базой качество на GSM8K, HumanEval и IFEval, а с MTP и спекулятивным декодированием — улучшенные результаты в отдельных тестах. Поддерживается SGLang с EAGLE/nextn speculative decoding; целевой сценарий эксплуатации — Blackwell-класс GPU NVIDIA, в частности DGX Spark GB10/SM121. Ограничения включают узкую и внутреннюю систему оценки, отсутствие проверки на других Blackwell-устройствах, возможную чувствительность к данным вне распределения и необходимость корректной настройки SGLang, включая backend marlin, прогрев JIT-кэша FlashInfer и FP8 KV-кэш. Модель распространяется по лицензии MIT.

Для каких профессий подходит13

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-NVFP4-W4A16

NVFP4 W4A16 weight-only quantization of ornith-ai/Ornith-1.5-35B-A3B (revision e4dfb35a93d4b6822a811a7676f3488514abe7e2), produced with NVIDIA Model Optimizer (dev 913f5e224) using the official w4_nvfp4 recipe preset. FP4 weights (block-16, E4M3 block scales) with BF16 activations, plus an FP8-E4M3 KV cache cast. The bundled MTP head is kept in BF16 and served with SGLang EAGLE/nextn speculative decoding.

  • Size: 23 GB on disk (vs 67 GB BF16 source) — 2.9× compression
  • Architecture: Qwen3_5MoeForConditionalGeneration (35.1B params, hybrid GDN linear attention + softmax attention + MoE, multimodal)
  • Serving: SGLang ≥ 0.5.6.post3 (5a7b26c63) on Blackwell-class NVIDIA GPUs; validated on DGX Spark GB10/SM121
  • Quality: parity with the BF16 baseline on a 200-question eval suite (GSM8K-flex / HumanEval / IFEval / agentic coding) — full results below

This checkpoint is a self-quantization by r0b0tlab. It is an independent community artifact and is not affiliated with, endorsed by, or produced by Ornith AI or NVIDIA.

Quantization details

ItemValue
ToolNVIDIA Model Optimizer, dev tree @ 913f5e224 (examples/hf_ptq recipe flow)
FormatNVFP4 W4A16 weight-only: 4-bit E2M1 weights, block size 16, E4M3 per-block scales, scalar FP32 per-tensor scale
ScopeAll Linear targets (routed experts, shared experts, dense attention projections, GDN linear-attention projections); lm_head, embeddings, routers, conv1d, MTP left in BF16
Recipew4_nvfp4 preset (max calibration) + default_disabled_quantizers + kv_fp8_cast
Calibrationcnn_nemotron_v2_mix (CNN/DailyMail + NVIDIA Nemotron Post-Training Dataset v2 mix), 1024 samples × 1024 tokens, batch 16
KV cacheFP8-E4M3 with constant amax (cast; NVFP4 KV unavailable on aarch64)
MTP head785 BF16 tensors re-attached verbatim from the source checkpoint (byte-identical, SHA-256 audited)

Evaluation — 200-question suite (greedy, thinking disabled)

Fixed scorer (final-numeric-answer extraction). n = 80/40/40/20 per family; ±5–11 pp noise bands apply at these sample sizes.

FamilyBF16 baselineThis model (base AR)This model + MTP
GSM8K (flex)76.25% (61/80)76.25% (61/80)78.75% (63/80)
HumanEval pass@192.50% (37/40)92.50% (37/40)95.00% (38/40)
IFEval (strict subset)90.00% (36/40)90.00% (36/40)90.00% (36/40)
Agentic coding70.00% (14/20)75.00% (15/20)85.00% (17/20)

No measurable quality loss. Speculative decoding with the BF16 MTP head (K=1 draft): mean accept length 1.737, accept rate 0.737 over 964 decode batches. Decode throughput on DGX Spark (GB10): 63–77 tok/s single-request with CUDA graphs (vs 38.6 tok/s for an experts-only variant).

Per-tensor NVFP4 reconstruction cosines vs BF16: experts 0.9956–0.9973; dense/GDN projections 0.967–0.986 (expected for plain max calibration on outlier-rich projections; no end-to-end effect observed on this suite).

Serving with SGLang

Validated command line (SGLang 0.5.6.post3.dev9218+g5a7b26c63, FlashInfer 0.6.17, torch 2.13.0+cu130):

python -m sglang.launch_server \
  --model-path r0b0tlab/Ornith-1.5-35B-A3B-NVFP4-W4A16 \
  --served-model-name Ornith-1.5-35B-A3B \
  --trust-remote-code \
  --attention-backend triton \
  --moe-runner-backend marlin \
  --context-length 32768 \
  --kv-cache-dtype fp8_e4m3 \
  --mem-fraction-static 0.80 \
  --speculative-algorithm EAGLE \
  --speculative-num-steps 1 \
  --speculative-eagle-topk 1 \
  --speculative-num-draft-tokens 2 \
  --port 8000

Thinking-off protocol: pass chat_template_kwargs: {"enable_thinking": false} in chat completion requests.

A ready-to-run Docker image with a pre-warmed FlashInfer JIT cache and a one-command compose file is available at github.com/r0b0tlab/ornith-15-35b-nvfp4-w4a16-sm121-sglang.

Known runtime notes (all root-caused during bring-up)

  • Warm the FlashInfer JIT cache before first boot. First use of the dense FP4 GEMM modules JIT-compiles ~18 CUTLASS kernels; doing this with the model already resident can OOM smaller-memory systems. The provided container ships the cache pre-warmed.
  • --moe-runner-backend auto may resolve to flashinfer_trtllm, which is not implemented for NVFP4 MoE in this SGLang version — pin marlin (as above).
  • FROZEN_KV_MTP is not implemented for the qwen3_5 MTP head; use --speculative-algorithm EAGLE (the draft architecture is auto-remapped to Qwen3_5ForCausalLMMTP).

How to verify

curl -s http://127.0.0.1:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "Ornith-1.5-35B-A3B",
    "messages": [{"role": "user", "content": "What is 19*23? Answer with just the number."}],
    "temperature": 0, "max_tokens": 32,
    "chat_template_kwargs": {"enable_thinking": false}
  }'
# expect "437"

Reproduction scripts (200-question suite, scorer, audits) live in the GitHub repo above; the full evidence trail (serve logs, quant logs, audit JSON) is described there.

Notes and limitations

  • 200-question in-house suite; not a substitute for full public benchmarks.
  • Evaluated thinking-off, greedy decoding, 32K context window.
  • Dense/GDN per-tensor cosines are below the expert band (see above); out-of-distribution sensitivity beyond this suite was not probed.
  • Throughput numbers are single-node DGX Spark (GB10/SM121, 121 GB unified); other Blackwell parts were not tested.

Credits and attribution

License

The base model is MIT-licensed; this derived quantization is distributed under MIT as well. Calibration datasets remain under their own licenses.

BibTeX

@misc{ornith15nvfp4w4a16,
  author  = {r0b0tlab},
  title   = {Ornith-1.5-35B-A3B-NVFP4-W4A16: NVFP4 weight-only quantization with BF16 MTP head},
  year    = {2026},
  url     = {https://huggingface.co/r0b0tlab/Ornith-1.5-35B-A3B-NVFP4-W4A16},
  note    = {Quantized from ornith-ai/Ornith-1.5-35B-A3B with NVIDIA ModelOpt}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · sglang

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5MoeForConditionalGeneration
Ревизия весов
dcbc0a2

0 моделей