/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
16,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5_moe · dense
Базовая модель
Qwen3.6-35B-A3B
Библиотека
vllm
Опубликована
19 апр 2026

Qwen3.6-35B-A3B-TQ3-native

Генерация текстаТекст → текст9 профессий

Нативный 3-битный TurboQuant-чекпойнт Qwen3.6-35B-A3B для диалоговой генерации текста через совместимый vLLM.

64скачиваний за 30 дней0лайковвеса обновлены13 мая 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

Это нативный 3-битный TurboQuant-чекпойнт Qwen3.6-35B-A3B, подготовленный varjosoft на основе Qwen/Qwen3.6-35B-A3B. Он предназначен для генерации текста в диалогах и запуска через vLLM с плагином turboquant-plus-vllm версии 0.13.5 или новее. Модель использует MoE-архитектуру с 35 млрд общих и примерно 3 млрд активных параметров, 256 экспертами, сочетанием GatedDeltaNet и внимания с частичной rotary-позиционной кодировкой. Веса экспертов упакованы в нативный формат TQ3; размер чекпойнта составляет около 16 ГБ вместо примерно 70 ГБ для BF16, при этом отдельные компоненты хранятся в FP16.

Чекпойнт проверен на нескольких ускорителях NVIDIA и требует vLLM 0.20.2 или новее. Он ориентирован на более компактное размещение модели и инференс через совместимый загрузчик; README приводит скорость около 16 токенов в секунду при заданной конфигурации A100 и batch size 1. Базовая модель описана в каталоге как мультимодальная, однако эта карточка указывает text-generation и демонстрирует текстовые запросы и ответы. Лицензия — Apache-2.0. В примере модель выводит видимую цепочку рассуждений; качество и поведение после 3-битного сжатия могут отличаться от исходных весов.

Сценарии применения

  • диалоговые ответы на текстовые запросы
  • развёртывание Qwen3.6 с меньшим объёмом хранения весов
  • инференс MoE-модели через vLLM на поддерживаемых GPU

Ограничения

Для запуска требуются vLLM 0.20.2 или новее и turboquant-plus-vllm 0.13.5 или новее; совместимость проверена на перечисленных в README GPU. Модель может выводить видимую цепочку рассуждений, а 3-битное сжатие способно повлиять на качество относительно исходных весов.

Для каких профессий подходит9

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

Qwen3.6-35B-A3B — Native TQ3 Checkpoint (~16 GB)

Native 3-bit TurboQuant checkpoint of Qwen/Qwen3.6-35B-A3B. Pre-fused expert weights stored as packed 3-bit indices with per-group norms. ~16 GB on disk instead of ~70 GB BF16.

This is the open-weight Qwen3.6 family variant: 35B total / 3B active MoE with 256 experts, hybrid GatedDeltaNet + partial-rotary attention. Tested end-to-end on A100 80GB, RTX PRO 6000 Blackwell 96GB, H100 80GB, and L40S 48GB.

Usage

Requires turboquant-plus-vllm v0.13.5 or later and vLLM 0.20.2+.

pip install vllm>=0.20.2
pip install 'turboquant-plus-vllm@git+https://github.com/varjoranta/turboquant-vllm.git'
vllm serve varjosoft/Qwen3.6-35B-A3B-TQ3-native \
    --quantization turboquant \
    --trust-remote-code \
    --max-model-len 4096

Python:

from vllm import LLM, SamplingParams

llm = LLM(
    model="varjosoft/Qwen3.6-35B-A3B-TQ3-native",
    quantization="turboquant",
    trust_remote_code=True,
    max_model_len=4096,
)
out = llm.generate(["Explain quantum entanglement in one paragraph."],
                   SamplingParams(temperature=0, max_tokens=200))
print(out[0].outputs[0].text)

Results

Validated on A100 80GB (sm_80), vLLM 0.20.2, CUDA 13.0, Triton 3.6.0:

MetricValue
Checkpoint size~16 GB (vs ~70 GB BF16)
Compression ratio4.4×
Throughput, CUDA graphs ON16.0 tok/s at bs=1 (reproduced across 4 runs: 16.02 / 15.94 / 15.88 / 16.0)
Throughput, eager mode9.81 tok/s at bs=1
GSM8K-200 (5-shot CoT)eval workflow exceeds the validation harness's polling window; standalone eval to follow
Load time~10 min from cold (includes vLLM init + kernel compile)
Minimum GPUA100 80GB tested. RTX PRO 6000 Blackwell 96GB also validated end-to-end

Output sample (greedy, 4 prompts, max_tokens=128):

"Q: Explain quantum entanglement in one short paragraph. A: Here's a thinking process: 1. Analyze User Input: Topic: Quantum entanglement, Format: ..."

(Qwen3.6 generates a visible reasoning trace by default; production use should set the system prompt accordingly.)

What This Checkpoint Contains

  • model-0000{1..4}-of-00004.safetensors: packed 3-bit weight indices (.tq_packed) + per-group norms (.tq_norms) for all 41 MoE layers (pre-fused per layer as experts.gate_up_proj.tq_* and experts.down_proj.tq_*) and the 64 attention layers; FP16 for embeddings, RMSNorms, biases, GatedDeltaNet conv1d/A_log/dt_bias.
  • tq_config.json: {"bits": 3, "group_size": 128, "format": "tq3_native"}.
  • config.json, chat_template.jinja, tokenizer.json, tokenizer_config.json, preprocessor_config.json, generation_config.json: standard HuggingFace artifacts.

How It Was Made

from turboquant_vllm.checkpoint import save_tq3_checkpoint

save_tq3_checkpoint("Qwen/Qwen3.6-35B-A3B", "./qwen3.6-35b-tq3", bits=3)
# CPU only, ~80 GB RAM during compression, ~10 minutes. No GPU needed.

Each weight tensor is read lazily from the source safetensors, rotated with a Walsh-Hadamard transform, quantized to 3 bits against a Gaussian Lloyd-Max codebook, and saved with per-group norms. For MoE layers, the expert tensors are saved pre-fused per layer (gate_up_proj = gate+up stacked, down_proj = down across all experts) — the v0.13.5 plugin loader detects this layout and skips the per-expert regroup.

Non-weight tensors (embeddings, norms, biases, GatedDeltaNet state tensors) are kept in FP16.

Architecture Specifics

Qwen3.6-35B-A3B uses three patterns the loader must handle correctly:

  1. Multimodal name-mapping — Qwen3_5MoeForConditionalGeneration exposes hf_to_vllm_mapper that rewrites model.language_model.* → language_model.model.*. v0.13.5 applies the mapper before regroup target lookup.
  2. Pre-fused MoE storage — per-layer experts saved as .experts.gate_up_proj.tq_packed (no per-expert index, no .weight suffix). v0.13.5's _NATIVE_MOE_PRE_FUSED_PATTERN detects this and yields directly to the placeholder param names (w13_weight_tq_packed / w2_weight_tq_packed).
  3. Partial-rotary attention (partial_rotary_factor=0.25) — uses the block-diagonal WHT CUDA kernel from v0.13.0 to dequant the rotary projections without falling back to Python.

The 16 tok/s graphs-on result resolves the v0.13.0 graphs regression: on vLLM 0.20.2 CUDA graphs are now 1.6× FASTER than eager for this checkpoint, not 3.3× slower.

Algorithm

Inspired by TurboQuant (Zandieh, Daliri, Hadian, Mirrokni; ICLR 2026). Our implementation uses a Gaussian Lloyd-Max codebook as an approximation of the paper's distortion-rate framework. Norm correction stores original_norm / reconstruction_norm per group to fix magnitude shrinkage at 3-bit.

The weight scheme matches the scalar case of HIGGS (Cornell + Yandex, NeurIPS 2024); the reference implementation is in HuggingFace Transformers. This package's role is the production vLLM integration plus the MoE infrastructure (pre-fused checkpoints, sparse expert dequant, mapper-aware loading).

Citation

@inproceedings{zandieh2026turboquant,
  title={TurboQuant: Online Vector Quantization with Near-optimal Distortion Rate},
  author={Zandieh, Amir and Daliri, Majid and Hadian, Majid and Mirrokni, Vahab},
  booktitle={International Conference on Learning Representations},
  year={2026}
}

Compressed by Varjosoft Oy using turboquant-plus-vllm v0.13.5.

Как запустить

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

GPU в ailist

Универсальный рантайм · vllm

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5MoeForConditionalGeneration
Ревизия весов
4c7ed06

0 моделей