/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwopus3.6-35B-A3B-Coder
Опубликована
13 июл 2026

Qwopus3.6-35B-A3B-Coder-vram13-GGUF

Генерация текстаТекст → текст9 профессий

Квантизированная GGUF MoE-модель для генерации и редактирования кода с контекстом до 128 тыс. токенов и ускорением MTP.

103скачиваний за 30 дней1лайквеса 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

Qwopus3.6-35B-A3B-Coder-vram13-GGUF — квантизированная GGUF-сборка кодовой версии Qwopus3.6-35B-A3B-Coder от автора репозитория xero0000. Она предназначена для генерации и редактирования кода, отладки и агентных сценариев программирования. Основа — дообученная Jackrong/Qwopus3.6-35B-A3B-Coder, созданная на базе Qwen3.6-35B-A3B; архитектура MoE, а для ускорения генерации сохранена обученная голова multi-token prediction (MTP).

Вес файла составляет 13,53 ГБ, заявленный контекст — до 128 тыс. токенов. Модель упакована в GGUF с imatrix-квантизацией: экспертные слои используют преимущественно 2-битное представление, а важные для каждого токена компоненты — 5–6-битное. README сообщает о высокой скорости на двух видеокартах с суммарно 18 ГБ VRAM при использовании ik_llama.cpp и MTP; эти результаты относятся к описанной конфигурации оборудования.

Карточка предупреждает, что 2-битные эксперты могут несколько ухудшить рассуждения в нетипичных случаях; для максимального качества предлагается более крупная смешанная квантизация с выгрузкой части модели в CPU. Лицензия — Apache-2.0.

Сценарии применения

  • генерация фрагментов кода по описанию
  • редактирование существующего кода
  • отладка и поиск причин ошибок
  • агентные сценарии программирования с вызовом инструментов

Ограничения

Квантизация экспертных слоёв до 2 бит может ослабить рассуждения на нестандартных случаях. Контекст ограничен 128 тыс. токенов в описанной MTP-сборке, а заявленные показатели скорости зависят от указанного оборудования и ik_llama.cpp.

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

Qwopus3.6-35B-A3B-Coder — vram13: 151 t/s coding on 18 GB of VRAM (13.5 GB, imatrix, native MTP)

A SWE-bench-62 coding fine-tune of Qwen3.6-35B-A3B, quantized to fit entirely in 18 GB of VRAM with its native MTP head intact — 151 t/s code decode on a pair of mid-range gaming GPUs.

This is the coding-tuned sibling of Qwen3.6-35B-A3B-vram13-GGUF, and the best of the family: Qwopus ships with a trained multi-token-prediction head (most GGUFs drop it), so speculative decoding uses the head that was optimized for these exact weights — no transplant, best acceptance.

File

FileSizectx
Qwopus3.6-35B-A3B-Coder-vram13-q2ex-imat.gguf13.53 GB128 K (the ik MTP ceiling)

Measured performance (RTX 3060 Ti 8 GB + RTX 3080 10 GB, ik_llama.cpp, q4_0 KV, all-VRAM)

decodeprefill @14.5 K
code (with -mtp)151.5 t/s966 t/s
prose112 t/s—
(same fine-tune, CPU-offloaded mixed quant, same rig)101.5 t/s602 t/s

Decode holds >100 t/s at 14.5 K tokens of depth. VRAM: ~6.6 + ~9.3 GB across the two cards.

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

QuantSizePPL
Qwen3.6 base Q8_0 (family reference)36.9 GB2.4053
18 GB mixed-quant (CPU-offload recipe)18.2 GB2.4195
vram13 (this repo)13.53 GB2.4251 ± 0.061

Within noise of a quant 35 % larger — the best quality-per-byte of the all-VRAM builds we tested.

Recipe

Requantized from Q8_0 with a Qwopus-specific imatrix, using ik_llama.cpp llama-quantize --custom-q (required: mainline/other forks fail on the nextn layer with missing tensor blk.N.ssm_conv1d.weight):

  • Experts: q2_K middle layers 3–36, q3_K edge layers 0–2 & 37–39 (imatrix-guided)
  • Attention + SSM projections: q5_K
  • Shared expert, output, embeddings: q6_K
  • blk.40 MTP/nextn head: preserved
  • Base ftype q4_K so every custom rule fires

The principle: on small-active-expert MoE, expert weights dominate size but tolerate 2-bit with imatrix; everything on the every-token path stays 5–6-bit.

Running

Requires ik_llama.cpp for -mtp (and for loading the nextn arch reliably).

llama-server -m Qwopus3.6-35B-A3B-Coder-vram13-q2ex-imat.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 --reasoning off

Notes: Qwopus is a thinking-off design — keep --reasoning off (also avoids empty-content responses). Single ≥16 GB GPU: drop --tensor-split. MTP output is verification-lossless; only speed varies with content (code accepts best).

Caveats

  • 2-bit experts: expect slightly weaker edge-case reasoning than Q4-class quants — for maximum quality use a larger mixed quant with CPU offload.
  • 128 K max context (ik clamps MTP models to leave room for the draft context); the non-MTP sibling repo runs 256 K.

Built on a Ryzen 5950X + 3060 Ti + 3080. Fine-tune by Jackrong (Apache-2.0), base model © Alibaba Cloud. Quantized with ik_llama.cpp tooling.

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
11ce3d2

0 моделей