license: apache-2.0 base_model: AEON-7/Qwen3.6-27B-AEON-Ultimate-Uncensored language:
- en
- zh
- multilingual library_name: transformers pipeline_tag: text-generation tags:
- abliterated
- uncensored
- qwen3
- qwen3.6
- nvfp4
- compressed-tensors
- llmcompressor
- hybrid-attention
- mamba
- gated-deltanet
- multimodal
- aeon
- dgx-spark
[!IMPORTANT] 已被 Qwen3.8 取代 — 请改用此模型:
AEON-7/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED-NVFP4-MIXED算子方案(Spark Dynamic DFlash lattice, TP=2, RTX):
AEON-7/Qwen3.8-27B-AEON-ULTIMATE-UNCENSORED本 Qwen3.6-27B 模型卡保留在线仅供历史参考及已有下载使用。对于新项目,请迁移至 Qwen3.8 Ultimate Uncensored NVFP4-MIXED 版本。该系列在能力上显著更强,能够大幅度发挥该架构的潜能,并采用了比此前旧版 Qwen3.6 导出版本更精细的混合量化方法(NVFP4 + FP8 lattice)。
使用统一容器运行服务:
ghcr.io/aeon-7/aeon-vllm-ultimate:latest(适用于 Spark / GB10)或ghcr.io/aeon-7/aeon-vllm-ultimate-rtx:latest(适用于 RTX 独立显卡)。
Qwen3.6-27B-AEON-Ultimate-Uncensored-NVFP4
AEON Qwen — 电子宇宙的至高存在
本模型是 AEON-7/Qwen3.6-27B-AEON-Ultimate-Uncensored 的 NVFP4 硬件量化版本。保持相同的模型架构、相同的 0/50 拒答率以及同样保留的各项能力 —— 现已从 51 GB BF16 压缩至 26 GB NVFP4,以便在 DGX Spark / GB10 / Blackwell sm_121a 硬件上获得原生 FP4 吞吐加速。
本版本保留了多模态能力(视觉编码器模块保持 BF16 精度 — 文本与图像推理功能完全正常),并保留了混合注意力机制(48 个线性注意力 / GatedDeltaNet 层保持 BF16 精度;FP4 仅应用于 16 个全注意力层的输出投影以及所有 MLP 模块)。
与 BF16 版本的差异对比
| 维度 | BF16 (源模型) | NVFP4 (本版本) |
|---|---|---|
| 磁盘占用 | 51 GB | 26 GB (减少 49%) |
| 拒答率 | 0/50 | 继承自源模型 — 待部署后验证 |
| 多模态能力 | 保留 | 保留(视觉模块为 BF16,无损质量) |
| 混合 SSM | 已修复且完整 | 完整无损(linear_attn 保持 BF16) |
| 目标硬件 | A100 / H100 / RTX PRO 6000 BF16 | 具备原生 FP4 吞吐加速的 DGX Spark (GB10)、B100/B200、RTX PRO 6000 Blackwell |
| 相较 BF16 源模型的 KL 散度 | 不适用 | 预期 ≤0.001(此类量化方案的典型表现) |
NVFP4 量化方案遵循 NVIDIA 官方规范:E2M1 元素格式、block_size=16、FP8 E4M3 块级缩放系数(per-block scales)、FP32 张量级缩放系数(per-tensor scale),对称有符号格式。
量化配方 (Quantization Recipe)
工具:llm-compressor 0.10.1.dev107 (vllm-project),使用 QuantizationModifier(scheme="NVFP4") 进行训练后量化(PTQ)。
from llmcompressor.modifiers.quantization import QuantizationModifier
recipe = QuantizationModifier(
targets="Linear",
scheme="NVFP4",
ignore=[
"lm_head", # 始终忽略
"re:.*embed_tokens.*", # 始终忽略
"re:.*\.visual\..*", # 视觉模块保持 BF16 — 保留多模态能力
"re:.*visual\..*",
"re:.*linear_attn\..*", # SSM/GDN 保持 BF16 — Mamba 状态在 FP4 下会崩溃
"re:.*norm.*",
"re:.*q_norm.*",
"re:.*k_norm.*",
],
)
校准数据: open-platypus,512 个样本 × 4096 tokens。
执行管线: sequential 模式,并指定 sequential_targets=["Qwen3_5DecoderLayer"] —— 混合注意力堆叠架构(全注意力与线性注意力混合层)所必需;若不进行显式指定,llm-compressor 的自动探测机制会静默跳过相关层。
加载器: 使用 AutoModelForImageTextToText,以保留 Qwen3_5ForConditionalGeneration 多模态类。
处理器: 显式传递给 oneshot(),以避免在未安装 torchvision 的多模态构建环境中出现“提供数据集时需要模型处理器(model processor required when a dataset is provided)”的报错。
验证结果(通过):
- 1 个分片(shard),1952 个键名(keys)
- 64 个已量化的全注意力投影层(16 层 × 4 个 q/k/v/o)
- 432 个
linear_attn.*键保留为 BF16(48 层 × 9 个模块) - 333 个
visual.*键保留为 BF16(视觉模块完好无损) - 319 个归一化(norm)键保留为 BF16
lm_head与embed_tokens保留为 BF16- NVFP4 打包权重已正确写入
input_global_scale幅度范围为 142–346(健康区间)
实际量化耗时:在 1 张 RTX PRO 6000 Blackwell (96 GB) 上约 57 分钟。
部署
DGX Spark (GB10 / sm_121a) 上的 vLLM 部署(推荐)
在统一的 ghcr.io/aeon-7/aeon-vllm-ultimate:latest 容器(即标签 :2026-06-18-v0.23.0-dflashfix;回滚版本为 :2026-06-11-pr41703)上运行服务,并配合外部 z-lab DFlash 草稿模型(drafter),采用已验证的默认配置 num_speculative_tokens: 10。已打补丁的 CUTLASS NVFP4 路径利用原生 FP4 Tensor Core 内核,性能优于 Marlin 回退模式 —— 切勿强行设置 VLLM_NVFP4_GEMM_BACKEND=marlin(那是原生官方 vLLM 构建在 SM121 上 CUTLASS 报错时的变通方案)。
docker pull ghcr.io/aeon-7/aeon-vllm-ultimate:latest
hf download z-lab/Qwen3.6-27B-DFlash --local-dir ./dflash-drafter
# 容器 ENTRYPOINT 为 /bin/bash → 传入 --entrypoint vllm 后执行 serve ...
docker run --gpus all --ipc=host --network=host -e TORCH_CUDA_ARCH_LIST=12.1a -e ENABLE_NVFP4_SM100=0 -e VLLM_USE_FLASHINFER_MOE_FP4=0 -e VLLM_USE_FLASHINFER_SAMPLER=1 -e VLLM_ALLOW_LONG_MAX_MODEL_LEN=1 -e PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True -v /path/to/model:/models/aeon-ultimate:ro -v ./dflash-drafter:/models/dflash-drafter:ro --entrypoint vllm ghcr.io/aeon-7/aeon-vllm-ultimate:latest serve /models/aeon-ultimate --served-model-name aeon-ultimate qwen36-ultimate aeon-fast aeon-deep --host 0.0.0.0 --port 8000 --quantization compressed-tensors --mamba-cache-dtype float32 --max-model-len 256000 --max-num-seqs 64 --max-num-batched-tokens 16384 --gpu-memory-utilization 0.65 --enable-chunked-prefill --enable-prefix-caching --load-format safetensors --trust-remote-code --enable-auto-tool-choice --tool-call-parser qwen3_coder --reasoning-parser qwen3 --attention-backend flash_attn --limit-mm-per-prompt '{"image":4,"video":2}' --mm-encoder-tp-mode data --mm-processor-cache-type shm --speculative-config '{"method":"dflash","model":"/models/dflash-drafter","num_speculative_tokens":10}'
单独使用 DFlash 时,
--gpu-memory-utilization设为 0.65;当与 ASR/TTS/向量嵌入共享 Spark 资源时设为 0.6;在 GB10 统一内存架构下,请将其保持在 0.6–0.7 区间内 —— 超过约 0.8 时,共享 CPU+GPU 内存池会发生页面抖动(page-thrashes)导致整机卡顿停滞(甚至 0.85 也会卡死),且 DFlash 的校验缓冲区并不计入该比例中,因此务必预留冗余空间。请使用--mamba-cache-dtype float32(具备更精确的循环状态,且 DFlash 接受率略高于 float16),并省略--mamba-block-size(默认值相比 256 能降低单流 TTFT)。搭配 DFlash 时切勿设置--kv-cache-dtype—— 该非因果草稿模型需要 BF16 KV 缓存。针对显存更紧张的显卡环境,可选 XS 规格版本(21 GB),请参见同系列-Multimodal-NVFP4-MTP-XS;完整的配置参考见 DFlash 代码仓库。
四个 served-model-name 别名 — 相同权重,不同采样约定
vLLM 的 --served-model-name 参数支持传入多个值;每个值在 /v1/models 中都会成为一个独立的 model ID,但所有四个名称都会路由至同一个 /models/aeon-ultimate 后端。其区别在于客户端的采样参数约定,这是利用了 DFlash 投机解码(speculative decoding) 的核心特性:
DFlash 的草稿模型训练目标是匹配目标模型的 argmax。贪婪采样(Greedy, T=0) 能使草稿模型达到约 80% 的首位接受率 → 带来约 3 倍的加速效果。而随机采样(Sampled, T≥0.7) 会使接受率骤降至约 5% → 加速收益消失。将模型划分为两个 API ID,可以让智能体运行时根据工作负载类型动态路由,无需在对话过程中更改端点地址。
| 服务别名 | 推荐采样参数 | 适用场景 | DFlash 效果 (单流) |
|---|---|---|---|
aeon-fast | temperature=0, top_p=1.0 (贪婪采样) | 工具调用、智能体循环、代码、数学、结构化 / JSON 输出 | 约 80% 草稿接受率 → ~91 tok/s(在 Spark v2 上实测) |
aeon-deep | temperature=0.7, top_p=0.95, top_k=64, repetition_penalty=1.05 | 创意写作、头脑风暴、开放式问答、角色扮演 | 约 5% 接受率 → ~38 tok/s;优先保证输出多样性而非吞吐量 |
aeon-ultimate | 客户端自行指定(不注入任何预设) | 自定义采样参数的原始 API 调用端 | 取决于客户端参数 |
qwen36-ultimate | 客户端自行指定(不注入任何预设) | 与 aeon-ultimate 相同,为依赖 qwen 前缀的第三方工具提供的厂商无关别名 | 取决于客户端参数 |
所有四个别名均共享相同的 256K 上下文窗口、完整多模态处理管线(图像 × 4,视频 × 2)、--reasoning-parser qwen3 思考模式支持,以及 --tool-call-parser qwen3_coder 工具调用解析能力。唯一的区别仅在于名称本身以及客户端所附加的采样默认值。
快速路由参考(智能体运行时)
# 路由决策伪代码
def pick_model(workload):
if workload in {"tool_call", "code_gen", "math", "json", "structured"}:
return "aeon-fast" # T=0,最大化 DFlash 加速收益
elif workload in {"creative", "brainstorm", "open_qa", "roleplay"}:
return "aeon-deep" # T=0.7,注重多样性
else:
return "aeon-ultimate" # 由客户端控制采样
有关将 aeon-fast 和 aeon-deep 分别作为不同提供商条目及预设默认值注册到 OpenClaw 的完整集成示例,请参阅部署仓库中的 docs/openclaw.md。
Python (transformers) — 用于测试或非 vLLM 服务
from transformers import AutoModelForImageTextToText, AutoTokenizer
import torch
model_id = "AEON-7/Qwen3.6-27B-AEON-Ultimate-Uncensored-NVFP4"
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForImageTextToText.from_pretrained(
model_id,
dtype=torch.bfloat16, # 视觉模块 + 非量化权重
device_map="cuda:0",
trust_remote_code=True,
)
messages = [{"role": "user", "content": "Your prompt here"}]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(text, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=512, temperature=0.7, do_sample=True)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[1]:], skip_special_tokens=True))
需要安装 compressed-tensors >= 0.12 以支持 NVFP4 实时反量化。
硬件说明
| 硬件 | 说明 |
|---|---|
| DGX Spark (GB10, sm_121a) | 主要目标平台。使用打了补丁的 vLLM CUTLASS 路径。预热后单流速度预计可达 ~50 tok/s。 |
| B100 / B200 (sm_100) | 通过 tcgen05/UTCQMMA 提供原生 FP4 计算 —— 是运行此格式速度最快的硬件。 |
| RTX PRO 6000 Blackwell (sm_120) | 通过 CUTLASS 路径支持原生 FP4。具备出色的吞吐量表现。 |
| A100 / H100 (sm_80, sm_90) | NVFP4 在内核层面反量化为 BF16/FP8 —— 可以正常运行但无 FP4 吞吐优势。在此类硬件上建议直接使用 BF16 版本以获得最佳性能。 |
模型来源 (Provenance)
- BF16 源模型:
AEON-7/Qwen3.6-27B-AEON-Ultimate-Uncensored— 完整制作流程请参阅源模型卡(FernflowerAI SSM 修复 → abliterix-v1.4 去审查消除 → 从 50 次试验中优选第 46 次试验以保证能力无损)。 - 原始基座模型: 阿里巴巴出品的
Qwen/Qwen3.6-27B。 - 量化工具: vllm-project 研发的 llm-compressor。
- NVFP4 规范: NVIDIA NVFP4 官方规范。
用户责任与仲裁条款
凡访问、下载、使用、运行推理、微调、合并、量化、分发、集成或以其他方式接触本模型,即代表您承认并同意遵守以下条款:
-
完全自负其责。 您作为用户,对所输入的每一条提示词、生成的每一条回复、基于这些回复所采取的任何后续行动,以及由此导致的任何损害(无论是直接、间接、附带、后果性还是其他损害),均承担独立且全部的责任。
-
无任何担保。 本模型严格按**“原样(AS IS)”**提供,不附带任何形式的明示或暗示保证,包括但不限于适销性、特定用途适用性、不侵权、安全性、对齐性、事实准确性或在任何司法管辖区内的合法合规性保证。任何贡献者、作者、发布者或托管平台均不对模型输出结果或下游使用承担任何形式的责任。
-
法律合规。 您有责任确保您的使用行为符合您开展业务或可能接收模型输出的各司法管辖区内的所有适用法律、法规、服务条款、行业行为准则、专业职业道德标准及组织政策。本模型未经过对齐的安全限制并不赋予您任何原本未拥有的法律授权。
-
运行安全防护层。 未经审查的模型绝非玩具。您应当根据自身的部署场景部署相应的下游安全防护层,包括但不限于:输入验证、输出过滤、内容审查、审计日志记录、速率限制、访问控制以及针对高风险工作流的人工介入审核(human-in-the-loop)。若在未部署此类防护层的情况下将本模型投入生产环境,从架构设计上即属于不安全行为,不属于受支持的使用场景。
-
高度注意义务。 模型内部拒答机制的去除,意味着通常由模型部分承担的谨慎注意义务已完全转移给您。在运行本模型时,您应当保持更高(而非更低)的谨慎、前瞻性思考与道德自律。如果您无法确定拟进行的调用是否合乎道德、合法或明智,正确的做法是不要发出该请求。
-
不对输出内容背书。 作者、贡献者和发布者不对任何特定输出内容表示认可、采纳或承担责任。模型输出是提示词、模型权重及采样器状态共同作用下的概率随机结果 —— 不代表任何自然人的立场声明。
-
仲裁约定。 凡因使用本模型、其输出内容或本条款而引起的或与此相关的任何争议、主张或争论,均应通过具约束力的个人仲裁解决,仲裁依据双方协商一致的仲裁机构规则进行(若未达成一致,则依据美国仲裁协会消费者仲裁规则执行),双方均放弃进行陪审团审判、集体诉讼、代表诉讼或合并诉讼的权利。管辖地应为提出索赔争议方所在的司法管辖区。仲裁费用与律师费应依据适用的仲裁规则进行分摊。本条款并不扩大对方的责任,在法律禁止的范围内亦不确立对方的任何责任;本条款旨在约束并限定用户在主张与其自身使用本模型相关的损害时所能采取的救济程序。
-
赔偿保证。 您同意为本模型的作者、贡献者和发布者提供抗辩并使其免受损害,赔偿因您使用本模型或违反本条款而引起的或与之相关的任何索赔、损害、损失、责任、成本及费用(包括合理的律师费)。
-
条款可分割性。 若本协议中任何条款在某一司法管辖区被认定为不可执行,其余条款仍具有完全效力,且该不可执行的条款应在符合原意的前提下,由最接近的原意且可执行的有效条款所替代。
-
接受条款。 您对本模型的使用即构成对本条款的全部接受。若您不接受本条款,请勿使用本模型。
本模型仅为一项工具,其本身不具备任何观点。您赋予其观点,您赋予其判断,您赋予其道德准则。模型的一切输出都印刻着您自己的指纹,而非模型的指纹。
许可证
Apache 2.0(继承自 Qwen/Qwen3.6-27B)。