/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-27B-FP8
Библиотека
gguf
Опубликована
14 авг 2026

Qwen3.8-27B-MIX_GGUF

Генерация текстаТекст → текст15 профессий

vmarcelo/Qwen3.8-27B-MIX_GGUF — набор пользовательских смешанных GGUF-квантизаций модели Qwen/Qwen3.8-27B-FP8, подготовленный vmarcelo с использованием llama.cpp, importance matrix и переопределений типов квантизации для отдельных тензоров.

4 537скачиваний за 30 дней25лайковвеса обновлены19 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

Базовая модель представляет собой плотную мультимодальную модель на 27 млрд параметров с гибридной архитектурой GatedDeltaNet и Gated Attention, а также головой Multi-Token Prediction. Поддерживается работа с текстом и изображениями; заявлена многоязычность, включая английский, французский, немецкий и японский языки.

Доступны две версии: IQ4-MIX размером 14,10 ГБ и IQ3-MIX размером 12,58 ГБ. IQ4-MIX ориентирована на более высокое качество, программирование, рассуждения и работу с изображениями, тогда как IQ3-MIX обеспечивает примерно на 14% большую скорость генерации, сниженное потребление памяти и больший запас для длинного контекста, но с небольшим снижением качества, особенно из-за более сильного квантования линейного внимания. На видеокарте AMD Radeon RX 9070 XT с 16 ГБ VRAM средняя скорость генерации составляет около 33 токенов в секунду для IQ4-MIX и 37,5 токена в секунду для IQ3-MIX. В зависимости от версии, конфигурации KV-кэша и среды выполнения доступны контексты от 16–64K до 64–128K токенов; измерения зависят от backend, размера пакета и других параметров.

Модель предназначена для локального запуска через совместимые GGUF-рантаймы, включая LM Studio и llama.cpp с Vulkan. Для обработки изображений требуется отдельный файл vision encoder mmproj-F16.gguf. Лицензия указана как other с названием qwen-research; применимые условия следует уточнять по лицензии базовой модели Qwen/Qwen3.8-27B-FP8.

Для каких профессий подходит15

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

Qwen3.8-27B Custom Mixed-Tensor GGUF Quantizations

Two custom mixed-tensor quantizations of Qwen/Qwen3.8-27B-FP8, the dense 27B multimodal model with a hybrid GatedDeltaNet + Gated Attention architecture and Multi-Token Prediction (MTP) head.

Built with llama.cpp at commit 1692f9e, using an importance matrix (imatrix) and per-tensor quantization overrides.

Both quantizations are designed around the 16 GB VRAM budget of consumer GPUs such as the AMD Radeon RX 9070 XT.

On 24 GB GPUs(3090, 4090, 7900 XTX), both quants have substantial headroom — full-context runs with Q8_0 KV cache throughout should fit somewhat comfortably.

PPL comparison

The following comparison was measured against other Q4 quantizations:

RankModelFinal PPL↓Reported uncertaintyDifference
1Unsloth Qwen3.8-27B IQ4_XS7.9642± 0.03107—
2vmarcelo Qwen3.8-27B IQ4-MIX8.0315± 0.03136+0.0673 PPL
3Bucoid Qwen3.8-27B-IQ4_XS_4BPW.gguf8.0609± 0.03151+0.0967 PPL
4cHunter789 IQ4_KT8.2890± 0.03224+0.3248 PPL
5mradermacher IQ4_XS8.2955± 0.03221+0.3313 PPL

NOTE: cHunter789 IQ4_KT and mradermacher IQ4_XS PPL test I didn't run. I used the numbers that cHunter789 provided and they might not match real result since I used a different version of llama-perplexity.

Files

FileSizeBPWCategoryBest for
Qwen3.8-27B-IQ4-MIX.gguf14.10 GB4.13Q4Best quality while fitting within 16 GB VRAM
Qwen3.8-27B-IQ3-MIX.gguf12.58 GB3.68Q3Larger context headroom (64K–128K)
mmproj-F16.gguf885 MB——Vision encoder; load with --mmproj
qwen38_iq4_types.txt269 B——IQ4-MIX recipe for reproducibility
qwen38_iq3_types.txt319 B——IQ3-MIX recipe for reproducibility
config.json3.7 KB——Architecture metadata for LM Studio / HF Hub

Which one should I pick?

IQ4-MIX (Q4)IQ3-MIX (Q3)
Size14.10 GB12.58 GB
BPW4.133.68
VRAM (model + 16K context)~15.7 GB~14.6 GB
VRAM headroom~0.6 GB~1.4 GB
Max context on 16 GB VRAM16K–64K64K–128K
Generation speed33 tok/s37 tok/s
QualityHigherSlightly lower, mainly due to linear attention at Q3
Best forCode, reasoning, visionLong context, agentic workflows

IQ4-MIX

Choose IQ4-MIX if you want the best quality and don't need context beyond ~32K.

IQ3-MIX

Choose IQ3-MIX if you need larger context windows (64K–128K), want more VRAM headroom, or need to run other GPU workloads alongside the model.


Performance

Tested on an AMD Radeon RX 9070 XT (gfx1201, 16 GB VRAM) using LM Studio's Vulkan build:

llama.cpp-linux-x86_64-vulkan-avx2-2.29.0

Generation speed (TG)

TestIQ4-MIXIQ3-MIX
Text PT (fotossíntese)32.0 tok/s36.7 tok/s
Text EN (photosynthesis)32.2 tok/s37.5 tok/s
Reasoning (count "r" in strawberry)32.8 tok/s37.9 tok/s
Code explain (lambda)33.4 tok/s37.4 tok/s
Code write (is_palindrome)33.3 tok/s37.4 tok/s
Multilingual (FR/DE/JA)32.8 tok/s37.5 tok/s
Longer reasoning (5 LLM uses)33.2 tok/s37.9 tok/s
Vision (image description)33.4 tok/s37.9 tok/s
Average33.0 tok/s37.5 tok/s

IQ3-MIX is approximately 14% faster than IQ4-MIX due to its lower average bits-per-weight and reduced memory bandwidth requirements.

Prompt processing (PP)

TestIQ4-MIXIQ3-MIX
Short prompts (20–30 tokens)75–108 tok/s65–131 tok/s
Cached (2000+ tokens)638 tok/s635 tok/s
Vision (image + text)655 tok/s548 tok/s

Context vs. VRAM

Measured with the indicated KV-cache quantization:

ContextKV cacheIQ4-MIX VRAMIQ3-MIX VRAM
4KQ8_014.6 GB ✅13.5 GB ✅
16KQ8_015.7 GB ⚠️14.6 GB ✅
64KQ8_015.4 GB ⚠️14.3 GB ✅
128KQ8_0 + Q4_016.0 GB ❌15.0 GB ⚠️
256KQ4_015.7 GB ⚠️14.6 GB ✅

Note: The VRAM figures above depend on the backend, runtime configuration, batch size, and other loaded GPU resources. They should be treated as practical measurements rather than hard minimums.

With Q8_0 + Q4_0 KV cache, IQ3-MIX can reach 128K context on a 16 GB GPU, while IQ4-MIX is more constrained by VRAM at larger context sizes.


Quantization Recipes

Both recipes use an importance matrix (imatrix) computed from 10 chunks × 2048 context of wikitext-103.

IQ4-MIX — Q4, 4.13 BPW

Tensor familyQuant typeBPW% of size
FFN gate/up/downIQ4_XS4.2571.5%
Linear attention qkv/gateIQ3_S3.4412.3%
Full attention q/k/v/outputQ4_K4.587.1%
LM head (output.weight)Q5_K5.336.2%
Token embeddingIQ2_S2.502.9%

IQ3-MIX — Q3, 3.68 BPW

Tensor familyQuant typeBPW% of size
FFN gate/upIQ3_XXS3.0650.3%
FFN downQ5_K5.3313.8%
Full attention q/k/outputIQ3_XXS3.065.2%
Full attention vQ5_K5.331.8%
Linear attention qkv/gateIQ2_S2.5010.6%
MTP layer (blk.64.*)Q4_K4.588.9%
LM head (output.weight)Q5_K5.336.7%
Token embeddingQ3_K3.552.8%

Both recipes follow the "sensitive trio" philosophy inspired by Unsloth Dynamic:

  • output.weight
  • attention value projections (attn_v)
  • FFN down projections (ffn_down)

These tensors are kept at Q5_K or higher, while more tolerant tensors such as embeddings and linear-attention projections are pushed to lower bit-widths.


Usage

Text + Vision

RADV_PERFTEST=nogttspill llama-server \
  -m Qwen3.8-27B-IQ4-MIX.gguf \
  --mmproj mmproj-F16.gguf \
  -ngl 999 -c 16384 -b 2048 -ub 2048 -t 12 -np 1 \
  --cont-batching --jinja --flash-attn on \
  --cache-type-k q8_0 --cache-type-v q8_0 --kv-unified \
  --host 0.0.0.0 --port 8080

Replace IQ4-MIX with IQ3-MIX when using the Q3 version.

For larger context windows, increase -c. IQ3-MIX supports up to 128K context with Q8_0 + Q4_0 KV cache under the tested configuration.


Download

hf download vmarcelo/Qwen3.8-27B_IQ4-MIX_GGUF \
  --include \
    "Qwen3.8-27B-IQ4-MIX.gguf" \
    "Qwen3.8-27B-IQ3-MIX.gguf" \
    "mmproj-F16.gguf" \
  --local-dir ./

About the Source Model

Qwen3.8-27B-FP8 is a dense multimodal model with the following architecture:

  • 64 transformer layers + 1 MTP layer

  • Hybrid attention:

    • 48 layers use linear attention (GatedDeltaNet-style SSM)
    • 16 layers use standard full attention
  • Vision encoder

  • Multi-Token Prediction (MTP) head

  • Vocabulary size: 248,320

  • Hidden size: 5,120

  • Context length: 262,144 tokens

Every fourth transformer layer uses standard full attention, with the remaining transformer layers using the linear-attention architecture.

All supported model features, including MTP and multimodal vision, are preserved in both GGUFs.


Acknowledgements

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.

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
f922f9d

0 моделей