/ Модель

Характеристики

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

Tals-coder-flash-01

Генерация текстаТекст → текст7 профессий

Квантизированная GGUF-версия Qwen3.8-27B для ускоренной генерации и рефакторинга кода на локальном оборудовании.

554скачиваний за 30 дней2лайкавеса обновлены29 сен 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

Tals-coder-flash-01 — квантизированная версия Qwen/Qwen3.8-27B от talxcc, предназначенная для генерации кода и диалоговой работы с задачами программирования. Модель распространяется в формате GGUF с асимметричной динамической квантизацией; README заявляет размер 11,86 ГБ и плотность 3,73 бит на вес. Для ускорения генерации заявлена поддержка speculative decoding с MTP.

Модель подходит для написания и рефакторинга кода, генерации кода в нескольких файлах и рассуждений над задачами программирования. В README приведены заявленные результаты тестирования на RTX 4060 Ti 16 ГБ: до 34 токенов в секунду в устойчивом режиме и до 40 токенов в секунду на пике с MTP. Также заявлена работа с контекстом до 200 тысяч токенов при настройке KV-кэша, однако эти характеристики приведены авторами и зависят от оборудования и конфигурации запуска.

Модель основана на Qwen/Qwen3.8-27B; в метаданных указаны поддержка чата и кода, английский и многоязычный охват. README описывает её преимущественно как модель для программирования, но не приводит точный перечень поддерживаемых языков программирования или языков общения. Лицензия — Apache 2.0. Качество, скорость и длинный контекст представлены как заявления авторов; сгенерированный код и рассуждения требуют проверки перед использованием.

Сценарии применения

  • написание фрагментов кода по описанию задачи
  • генерация кода для нескольких файлов проекта
  • рефакторинг существующего кода
  • помощь в решении задач программирования
  • диалоговая работа с локальным coding-агентом

Ограничения

Заявленные показатели качества, скорости и длины контекста в README не сопровождаются независимой проверкой и зависят от оборудования и настроек запуска. Сгенерированный код и рассуждения необходимо проверять перед выполнением.

Для каких профессий подходит7

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

⚡ Tals-coder-flash-01 (27B Asymmetric Dynamic Quant + Native MTP)

99.9% Coding Performance of Q4_K_M at 3.73 BPW with High-Speed MTP Speculative Decoding

"Why run bloated 15GB Q4 models that crawl at 19 tok/s? Tals-coder-flash-01 delivers 99.9% coding fidelity at 34–40 tok/s on consumer GPUs."


[!NOTE] Hardware Testing Notice: All speed benchmarks and token generation speeds reported below were tested on an NVIDIA GeForce RTX 4060 Ti 16GB at stock factory settings without any overclocking.


🚀 The Asymmetric Dynamic Quant Breakthrough

Tals-coder-flash-01 is a custom Asymmetric Dynamic Quantization of Qwen/Qwen3.8-27B. By dynamically distributing precision across network dimensions based on mathematical importance, it hits a sweet spot of 3.73 BPW (Bits Per Weight) and an ultra-lean 11.86 GB footprint (compared to 15.2 GB for standard Q4_K_M).

🎯 Key Highlights:

  • 🏆 99.9% Coding Retention: Matches unsloth Q4_K_M within 0.1% on coding tasks (HumanEval, MBPP, multi-file code generation, and complex refactoring).
  • 📊 Near-Lossless General Benches: General reasoning benchmarks (MMLU, GSM8k) land within just 0.3 – 0.5 points of full Q4_K_M, while saving 3.3+ GB of VRAM.
  • ⚡ Significantly Faster Than Base Q4_K_M: Because the dense model is only 11.86 GB, it slashes memory bus transit time per token by over 22%.
  • 💨 Blazing MTP Speculative Speeds:
    • Up to 34 tokens/sec sustained generation.
    • Up to 40 tokens/sec peak bursts on boilerplate and repetitive syntax.
    • Comparison: Base Q3_K_L with MTP is capped at 29–30 tok/s; standard Q4_K_M without MTP crawls at only 19–21 tok/s.

📊 Comprehensive Comparison Table

(All speed benchmarks measured on a stock, non-overclocked NVIDIA GeForce RTX 4060 Ti 16GB)

Model VariantEffective BPWModel SizeCoding RetentionGeneral Benches (vs Q4_K_M)Speed (No MTP)Speed (With MTP)
Unsloth Q4_K_M (Standard)4.50 BPW15.20 GB100% (Baseline)Baseline (100%)19 – 21 tok/s~26 – 28 tok/s
Standard Q3_K_L3.52 BPW11.40 GB~94.2%-1.8 to -2.4 pts21 – 23 tok/s29 – 30 tok/s
⚡ Tals-coder-flash-013.73 BPW11.86 GB99.9%-0.3 to -0.5 pts24 – 26 tok/s34 – 40 tok/s

💻 Hardware Compatibility & VRAM Sizing Guide

Because of its lean 11.86 GB footprint, Tals-coder-flash-01 unlocks extreme context windows across consumer GPUs without ever touching slow system RAM:

1. 12 GB VRAM GPUs (RTX 3060 12GB, RTX 4070 12GB)

  • Model Footprint: 11.86 GB fits completely in VRAM.
  • Context Capacity: 8,192 tokens (8k context) fully offloaded to GPU with zero CPU spillover!

2. 16 GB VRAM GPUs (RTX 4060 Ti 16GB, RTX 4070 Ti Super 16GB, RTX 4080 16GB)

  • High-Precision Mode: Up to 64,000 context (64k) with FP16 KV Cache (-ctk f16 -ctv f16) for zero precision degradation.
  • Balanced Mode: 128,000 context (128k) with Hybrid K=q8_0, V=q4_0 cache (~14.1 GB total VRAM).
  • Extreme Long-Context: Up to 200,000+ context (200k) with K=q4_0, V=q4_0 cache fitting 100% on GPU!

🛠️ Optimal llama.cpp Runtime Setup

Run with the optimized llama.cpp server for maximum speculative decoding throughput:

Recommended Environment Variables:

set GGML_CUDA_ROWLANE=1
set GGML_CUDA_RL_N4_LONG=1
set CUDA_DEVICE_SCHEDULE=BLOCKING_SYNC

⚡ Recommended Run Commands

1. 16GB GPUs — Default 128k High-Speed Coding Mode (34–40 tok/s)

./llama-server \
  -m "Tals-coder-flash-01.gguf" \
  -ngl 99 \
  -c 128000 \
  -ctk q8_0 -ctv q4_0 \
  -fa on -np 1 -t 4 -tb 4 --poll 0 \
  --load-mode mmap --reasoning-preserve \
  --spec-type draft-mtp --spec-draft-n-max 2 --spec-draft-p-min 0.2 \
  --backend-sampling --jinja \
  --host 127.0.0.1 --port 8080

2. 16GB GPUs — 64k Full FP16 KV Precision Mode

./llama-server \
  -m "Tals-coder-flash-01.gguf" \
  -ngl 99 \
  -c 65536 \
  -ctk f16 -ctv f16 \
  -fa on -np 1 -t 4 -tb 4 --poll 0 \
  --spec-type draft-mtp --spec-draft-n-max 2 --spec-draft-p-min 0.2 \
  --backend-sampling --host 127.0.0.1 --port 8080

3. 12GB GPUs — 8k Standard VRAM Mode

./llama-server \
  -m "Tals-coder-flash-01.gguf" \
  -ngl 99 \
  -c 8192 \
  -ctk q8_0 -ctv q8_0 \
  -fa on -np 1 -t 4 -tb 4 --poll 0 \
  --spec-type draft-mtp --spec-draft-n-max 2 --spec-draft-p-min 0.2 \
  --backend-sampling --host 127.0.0.1 --port 8080

💻 OpenCode / Cline / Continue Configuration

Connect your favorite coding agent with deterministic settings:

  • Base URL: http://127.0.0.1:8080/v1
  • Model Name: tals-coder-flash-01
  • API Key: not-needed (any string)
  • Temperature: 0.0 – 0.2 (Deterministic coding & reasoning)

🙏 Credits & Acknowledgements


⚖️ Disclaimer & Responsible Use

This model is provided "as is" for research, development, and educational purposes. The creators, authors, and contributors assume no liability or responsibility for any actions, automated executions, code implementations, direct or consequential damages, or loss resulting from the deployment, generation, or misuse of this model or its outputs.

Downstream developers and users are solely responsible for verifying, reviewing, sandboxing, and testing any generated code or reasoning outputs prior to execution in production environments or system-critical applications, as well as maintaining compliance with local regulations and ethical AI practices. Please use responsibly.

Distributed under the Apache 2.0 license.

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
9c37bd4

0 моделей