/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3.6-35B-A3B
Опубликована
13 июл 2026

Qwen3.6-35B-A3B-vram13-GGUF

Генерация текстаТекст → текст15 профессий

Квантованная GGUF-сборка Qwen3.6-35B-A3B для быстрой генерации текста и диалогов с размещением весов в видеопамяти.

235скачиваний за 30 дней2лайкавеса обновлены13 июл 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 квантованная GGUF-сборка Qwen3.6-35B-A3B от автора xero0000, подготовленная для запуска целиком в видеопамяти. Вариант vram13 занимает 12,98 ГБ; README также описывает вариант с дополнительной MTP-головой размером 13,53 ГБ. Базовая модель — MoE с 35 млрд параметров, а базовый файл поддерживает контекст до 256 тыс. токенов; вариант MTP — до 128 тыс. токенов.

Сборка предназначена для генерации текста и диалогов, в том числе для работы с кодом, на системах с ограниченной видеопамятью. Веса экспертов преимущественно квантованы в 2 бита с использованием imatrix и выборочной защиты чувствительных слоёв; внимание, SSM-проекции и некоторые общие тензоры имеют более высокую точность. Автор приводит замеры скорости и перплексии на двух видеокартах, однако результаты зависят от оборудования и программной среды.

Ожидается некоторое снижение качества на сложных и редких случаях по сравнению с квантованиями Q4-класса. Вариант MTP использует голову, перенесённую из дообученной модели, поэтому выигрыш скорости зависит от содержания текста; совместимость этой сборки и MTP-файла зависит от загрузчика. Лицензия — Apache-2.0.

Сценарии применения

  • локальный запуск языковой модели на системе с ограниченной видеопамятью
  • генерация и продолжение текста
  • диалоговые ответы и помощь в чате
  • генерация программного кода
  • длинные запросы с контекстом до 256 тыс. токенов в базовом варианте

Ограничения

Квантование экспертов до 2 бит может ухудшать рассуждения на редких и сложных случаях по сравнению с квантованиями Q4-класса. Для MTP-варианта совместимость зависит от загрузчика, а прирост скорости зависит от того, насколько хорошо дополнительная голова предсказывает продолжение в конкретной области.

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

Qwen3.6-35B-A3B — vram13: an all-VRAM ultra quant (12.98 GB, imatrix)

A 35B MoE that fits entirely in 18 GB of VRAM and decodes at 122–159 t/s on a pair of mid-range gaming GPUs (RTX 3060 Ti 8 GB + RTX 3080 10 GB), with quality within ~1 % perplexity of Q8_0.

Most sub-24 GB rigs run 35B-A3B MoE models with CPU-offloaded experts and hit a hard RAM-bandwidth wall (~75 t/s on dual-channel DDR4, no matter the GPU). This quant takes the other exit: shrink the model until every weight lives in VRAM. No offload, no -ot, no RAM wall.

Files

FileSizeWhat it is
Qwen3.6-35B-A3B-vram13-q2ex-imat.gguf12.98 GBThe base quant. Full 256 K context on 18 GB VRAM.
Qwen3.6-35B-A3B-vram13-q2ex-imat-MTP.gguf13.53 GBSame weights + a transplanted MTP (multi-token-prediction) head for lossless self-speculative decoding. 128 K context, fastest for code.

Measured performance (RTX 3060 Ti + RTX 3080, ik_llama.cpp, q4_0 KV)

ModelctxCode decodeProse decodePrefill @14.5 K
vram13256 K122 t/s121 t/s1 045 t/s
vram13-MTP128 K159 t/s117 t/s968 t/s
(reference: same model, mixed-quant + CPU-offloaded experts)256 K74.6 t/s74.7 t/s673 t/s

Decode holds >100 t/s even 14.5 K tokens deep. VRAM use: ~6.5 GB + ~8.4–9.4 GB across the two cards.

Quality (perplexity, held-out corpus, ctx 512)

QuantSizePPLvs Q8_0
Q8_036.9 GB2.4053—
mixed-q2k + imatrix (offload recipe)18.2 GB2.4195+0.6 %
vram13 (this repo)12.98 GB2.4299+1.0 %
naive q2-expert quant, no imatrix12.65 GB2.4562+2.1 %

The imatrix + selective layer protection recovers more than half the quality gap of a naive q2 build at nearly the same size.

Recipe

Requantized from Q8_0 with an imatrix (llama-quantize --allow-requantize):

  • Experts (the bulk of the bytes): q2_K on middle layers 3–36, q3_K on the more sensitive first/last three layers (0–2, 37–39)
  • Attention + SSM projections: q5_K (this hybrid arch — attention + gated-delta-net SSM — is sensitive here, and these tensors are small)
  • Shared expert, output tensor, embeddings: q6_K
  • imatrix on everything — calibrated on a mixed code/prose corpus

The principle: on a MoE with small active experts, expert weights dominate size but tolerate 2-bit with imatrix guidance; everything that touches every token (attention, SSM, shared expert, output) stays at 5–6 bit where the byte cost is negligible.

The MTP variant

Qwen3.6's official GGUFs ship without the MTP head, but Jackrong/Qwopus3.6-35B-A3B-Coder-MTP-GGUF (an Apache-2.0 coding fine-tune of the same base) kept its trained head. That head was grafted onto this quant by GGUF surgery — append the blk.40 nextn tensors, bump block_count 40→41, set qwen35moe.nextn_predict_layers=1.

Self-speculative decoding verifies every draft against the target model, so output is lossless — only the acceptance rate (speed) depends on how well the donor head predicts this model. On code it accepts well: +30 % decode over the base quant.

Running

Needs ik_llama.cpp (mainline llama.cpp works for the base file; the -mtp flag for the MTP variant is ik-specific).

# base — full 256K window
llama-server -m Qwen3.6-35B-A3B-vram13-q2ex-imat.gguf \
  --jinja -fa on --cache-type-k q4_0 --cache-type-v q4_0 \
  --ctx-size 262144 -ngl 99 --tensor-split 44,56 --ubatch-size 256 --no-mmap

# MTP — fastest for code (128K is the MTP ceiling)
llama-server -m Qwen3.6-35B-A3B-vram13-q2ex-imat-MTP.gguf \
  --jinja -fa on --cache-type-k q4_0 --cache-type-v q4_0 \
  --ctx-size 131072 -ngl 99 --tensor-split 44,56 --ubatch-size 256 --no-mmap \
  -mtp --ctx-size-draft 8192

Single 16 GB+ GPU: drop --tensor-split. On 2×8 GB it will not fit — use a CPU-offload quant instead.

Qwen3.6 is a reasoning model: it emits chain-of-thought into reasoning_content and the final answer into content — give it generous max_tokens, or disable thinking with "chat_template_kwargs": {"enable_thinking": false}.

Caveats

  • 2-bit experts are not free: expect slightly weaker edge-case reasoning than Q4-class quants. For maximum quality at lower speed, use a Q4/mixed quant with CPU offload.
  • The MTP head is from a fine-tune of this base, not this exact model — lossless, but acceptance (speed) may vary by domain; prose gains are smaller than code.
  • Built and tested on ik_llama.cpp (July 2026). The MTP file declares 41 blocks; loaders that don't understand nextn_predict_layers should ignore the extra tensors, but mainline behavior isn't guaranteed.

Built with TurboQuant/ik_llama.cpp tooling on a Ryzen 5950X + 3060 Ti + 3080. Base model © Alibaba Cloud, Apache-2.0.

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
7860f7c

0 моделей