/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
16,4 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.8-27B
Библиотека
vllm
Опубликована
24 авг 2026

Qwen3.8-27B-GPTQ-W4A8-MTP-Ampere

Генерация текстаТекст → текст15 профессий

Qwen3.8-27B-GPTQ-W4A8-MTP-Ampere — квантованная версия базовой модели Qwen/Qwen3.8-27B; разработчик в README явно не указан.

2 909скачиваний за 30 дней1лайквеса обновлены24 авг 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

Модель предназначена для генерации текста и инференса через vLLM, включая сценарии с OpenAI-совместимым API. Профиль запуска рассчитан на текстовые задачи; мультимодальная обработка не включена, несмотря на наличие vision tower в базовой конфигурации.

Модель использует GPTQ-квантование: веса декодера представлены в INT4 с размером группы 128, language model head — в INT8, эмбеддинги упакованы в INT8, а MTP-модуль для speculative decoding — в INT4. Предусмотрены FP8 KV-кэш и генерация до трёх черновых токенов MTP за шаг. Заявленная максимальная длина контекста — до 250 000 токенов, однако фактические возможности зависят от доступной памяти и настроек запуска. Для работы требуется две видеокарты NVIDIA с 24 ГБ VRAM, например RTX 3090, Linux с совместимыми CUDA и драйверами, Python 3.11 и строго указанная версия vLLM 0.27.1.

К сильным сторонам относятся снижение требований к памяти по сравнению с полноразмерной BF16-моделью и ускорение генерации благодаря speculative decoding. Ограничения включают возможное ухудшение качества из-за квантования весов и FP8 KV-кэша, необходимость специального compatibility layer и отказ от запуска с другими версиями vLLM, а также привязку тестового профиля к двум GPU. Модель распространяется по лицензии Apache 2.0.

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 GPTQ 3090

An inference-focused quantization of Qwen3.8-27B for two 24 GB RTX 3090 GPUs. It uses GPTQ W4 G128 decoder weights, a GPTQ W8 language-model head, packed INT8 embeddings, a packed INT4 MTP module, FP8 KV cache, and MTP speculative decoding.

This repository includes a model-local compatibility layer under runtime_patch/. Use the pinned vLLM release and launch.sh; loading the checkpoint with an unpatched stock command is not supported.

Hardware and software

  • Two NVIDIA GPUs with 24 GB VRAM each; tested on two RTX 3090s
  • A recent NVIDIA driver and CUDA-compatible Linux environment
  • Python 3.11
  • Approximately 17 GB for the download, plus space for the vLLM compile cache
  • vLLM 0.27.1 (required by the model-local patch)

The supplied profile is text-only. Although the base configuration contains a vision tower, multimodal serving is not enabled by this runtime setup.

Install

Create an environment and install the pinned serving runtime:

python3.11 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
python -m pip install "vllm==0.27.1" "huggingface_hub[cli]"

Download the model, replacing OWNER/MODEL with this repository's Hugging Face identifier:

hf download OWNER/MODEL --local-dir Qwen3.8-27B-GPTQ-3090
cd Qwen3.8-27B-GPTQ-3090

Run

Start the OpenAI-compatible server:

chmod +x launch.sh
./launch.sh

The default endpoint is http://0.0.0.0:8000, and the served model name is qwen3.8-27b. The first launch can take several minutes while vLLM compiles kernels and captures graphs.

Test the server:

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen3.8-27b",
    "messages": [{"role": "user", "content": "Explain speculative decoding briefly."}],
    "chat_template_kwargs": {"enable_thinking": false},
    "max_tokens": 256
  }'

Launch options

Configure the common settings with environment variables:

PORT=8002 MAX_MODEL_LEN=131072 GPU_MEMORY_UTILIZATION=0.94 ./launch.sh
VariableDefaultPurpose
CUDA_VISIBLE_DEVICES0,1GPUs exposed to vLLM
TENSOR_PARALLEL_SIZE2Tensor-parallel workers
PORT8000API port
SERVED_MODEL_NAMEqwen3.8-27bName used in API requests
MAX_MODEL_LEN250000Maximum context length
MAX_NUM_SEQS10Maximum concurrent sequences
GPU_MEMORY_UTILIZATION0.955Per-GPU vLLM memory fraction
SPECULATIVE_TOKENS3MTP draft tokens per step
QWEN38_W4A8_MODEdecoder_allSelective INT8 activation profile

Additional vLLM arguments may be appended to the command. For example, to add API authentication:

./launch.sh --api-key "replace-with-a-secret"

Lower MAX_MODEL_LEN or GPU_MEMORY_UTILIZATION if other processes use either GPU. On WSL2, CUDA VMM may be unavailable; in that case launch with:

PYTORCH_CUDA_ALLOC_CONF=expandable_segments:False ./launch.sh

Quantization

ComponentFormat
Decoder linearsGPTQ INT4, symmetric, group size 128; INT8 activations at runtime
Language-model headGPTQ INT8, symmetric, group size 128
Token embeddingsPacked INT8, symmetric, group size 128
MTP draft modulePacked INT4, group size 128
MTP norms and vision towerBF16/FP16
KV cacheFP8 in the supplied launch profile

mtp_draft_lm_head_w4.safetensors is the default draft head. mtp_draft_lm_head_w8.safetensors is included as an alternate runtime asset.

Limitations

  • The bundled patch checks for exactly vLLM 0.27.1 and intentionally refuses to run with another version.
  • The tested launch profile requires two GPUs and is tuned for RTX 3090 memory limits; other GPU configurations need retuning.
  • FP8 KV cache and weight quantization can reduce quality relative to the BF16 base model.
  • The included server profile is text-only.
  • Prefix caching for hybrid Mamba/GDN models is experimental in vLLM.
  • Review generated output before using it in high-impact or safety-critical applications. The base model's limitations still apply.

License

Apache 2.0, matching the base model. See the base model repository for its full terms and usage guidance.

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
c8f0cf4

0 моделей