license: apache-2.0 tags:
- uncensored
- qwen3.8
- gguf
- multimodal
- vision
- mtp
- speculative-decoding
- fastmtp language:
- en
- zh
- multilingual pipeline_tag: image-text-to-text base_model: Qwen/Qwen3.8-27B
Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-MTP
HauhauCS FastMTP:相较于非 MTP 模式,文档生成速度(TG)提升最高达 3.02 倍,推理 TG 提升最高达 1.93 倍 —— 且比标准内置 MTP(embedded MTP)进一步提升最高 35.2% 的文档 TG 与 21.1% 的推理 TG。
加入 Discord 获取更新动态、开发路线图、项目进展或参与交流。
由 HauhauCS 提供的 Qwen3.8-27B 去审查版本,测试结果为 0/465 次拒绝。
这是 Aggressive(激进)变体:提供直接的回答,无任何拒绝行为,并且在面对复杂/棘手提示词(hard prompts)时极少产生前置客套铺垫。
每一个文本 GGUF 均保留了 Qwen3.8 原生 NextN 预测头,并且本次发布新增了 HauhauCS FastMTP:这是一个在完整量化规格阵容中、在最大原生上下文下经过全面验证的专用加速辅助模型(sidecar)。 视觉能力可通过独立的 BF16 投影器(projector)获得支持。
Hugging Face 的硬件兼容性小部件可能无法正确识别 K_P 系列量化。 若页面显示文件缺失,请点击 View variants 或打开 Files and versions 查看全部文件。
关于模型
数据集和预期能力未作任何改动。本版本在保留 Qwen3.8-27B 原生文本、推理、智能体(agentic)、图像与视频理解能力的同时,应用了 HauhauCS Aggressive(激进)去审查配置文件。
如果您特别希望模型直接给出答案,而无需先进行一番“自我心理建设”才服从指示,请选择 Aggressive 变体。对于高可靠性要求、尤其是长上下文智能体任务,通常 Balanced(均衡)版本(若有发布)是更稳妥的默认选项。
下载列表
| 文件 | 量化级别 | BPW | 大小 |
|---|---|---|---|
| Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-Q8_K_P.gguf | Q8_K_P | 9.21 | 31.46 GB |
| — | Q8_0 | 8.50 | — |
| Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-Q6_K_P.gguf | Q6_K_P | 7.59 | 25.92 GB |
| — | Q6_K | 6.60 | — |
| Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-Q5_K_P.gguf | Q5_K_P | 5.92 | 20.22 GB |
| — | Q5_K_M | 5.70 | — |
| Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-Q4_K_P.gguf | Q4_K_P | 5.25 | 17.92 GB |
| — | Q4_K_M | 4.88 | — |
| Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-IQ4_XS.gguf | IQ4_XS | 4.60 | 15.71 GB |
| Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-Q3_K_P.gguf | Q3_K_P | 3.93 | 13.44 GB |
| — | Q3_K_M | 3.90 | — |
| Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-IQ3_M.gguf | IQ3_M | 3.74 | 12.79 GB |
| Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-IQ3_XS.gguf | IQ3_XS | 3.56 | 12.18 GB |
| Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-Q2_K_P.gguf | Q2_K_P | 3.12 | 10.68 GB |
| Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-IQ2_M.gguf | IQ2_M | 3.02 | 10.32 GB |
| mmproj-Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-BF16.gguf | Vision projector(视觉投影器) | — | 931 MB |
| Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-FastMTP-32K.gguf | HauhauCS FastMTP | — | 903 MB |
BPW(每权重比特数)是整个文本模型(包含内置 MTP 张量)编码张量有效载荷的平均值,保留两位小数。投影器与 FastMTP sidecar 可搭配任意文本量化版本协同工作;仅在需要图像或视频输入时才需下载投影器。
什么是 K_P 量化?
K_P(“Perfect”)量化是 HauhauCS 的定制量化技术,利用针对特定模型的深度分析,在最关键的结构部位精准保留模型质量。每个模型都拥有为其量身定制的专属优化量化配置。
K_P 量化在体积仅比基准量化增加约 5–15% 的情况下,能有效将生成质量提升一到两个量化档位。生成的文件仍为标准 GGUF 格式,无需特殊编译版本或额外插件即可原生兼容 llama.cpp、LM Studio 等主流 GGUF 运行时环境。
注意: K_P 量化在 LM Studio 的量化列中可能会显示为 ?。这仅为前端界面展示问题,模型仍可完全正常加载与运行。
规格参数
- Dense(稠密架构)27B 自回归因果语言模型,配备视觉编码器
- 64 个语言模型层
- 隐藏层维度(Hidden size)5,120;前馈网络维度(FFN size)17,408
- 248,320 词表的填充词表(padded vocabulary)
- 48 个 Gated DeltaNet 层和 16 个 Gated-Attention(门控注意力)层
- 保留原生内置 MTP/NextN 架构,并额外提供 HauhauCS FastMTP 32K 加速配置
- 262,144 token 原生上下文长度;通过框架特定配置最高可扩展至 1,000,000 token
- 原生支持文本、图像和视频理解
- 基于 Qwen/Qwen3.8-27B 构建
什么是 HauhauCS FastMTP?
HauhauCS FastMTP 是专门针对此 Aggressive 版本定制构建的专属加速配置方案:包含一个紧凑的 32K draft sidecar(投机草稿辅助模型),以及经过文本生成速度(TG)、接受率(acceptance)、最大原生上下文以及显存(VRAM)全面考量验证的分量化部署配置。
相较于非 MTP 模式,它可带来 最高达 3.02 倍的文档 TG 以及 1.93 倍的推理 TG;相比标准内置 MTP 配置,进一步提升了最高 35.2% 的文档 TG 与 21.1% 的推理 TG。 保持原样的主目标模型会对每一个草稿 token 进行验证,因此 FastMTP 可以在不替换目标模型、不改变输出答案内容的前提下极大加快生成速度。该构建与选择方法论由 HauhauCS 专属研发。
基准性能对比梯队:
| 对比项目 | 文档 TG | 推理 TG | 适用范围 |
|---|---|---|---|
| 标准内置 MTP 相比 关闭 MTP | 2.23x (+123.4%) | 1.60x (+59.6%) | 最终 Q8_K_P,depth 2 |
| HauhauCS FastMTP 配置相比标准内置 MTP | +35.2% | +21.1% | 最终 Q8_K_P,depth 3 对比 depth 2 |
| HauhauCS FastMTP 相比相同 depth 下的内置 MTP | +11.1% | +18.2% | 最终 Q8_K_P,depth 3 |
| HauhauCS FastMTP 相比 关闭 MTP | 3.02x (+202.0%) | 1.93x (+93.3%) | 最终 Q8_K_P 服务 |
以上基准数据均在单张 RTX PRO 6000 Blackwell 96 GB 上测得,测试条件为独立通道、配置上下文长度 204800、完整 CUDA 卸载、--no-mmap 以及官方推理采样器参数。FastMTP 主要加速 TG(Token 生成阶段);表中同时给出了 PP(Prompt 处理速度)以供全流程部署参考。
目前支持两种加速路径:
- 内置 MTP(Embedded MTP): 在当前上游 llama.cpp 构建版本中,直接使用任意目标 GGUF 并加上
--spec-type draft-mtp参数即可。 - HauhauCS FastMTP: 将相同的目标模型与
Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-FastMTP-32K.gguf搭配,并配合下方提供的 HauhauCS 运行时补丁使用。
运行 HauhauCS FastMTP
紧凑型 draft 使用了标准 GGUF d2t token 映射表以及最小化的 Qwen3.8 运行时消费模块。只需编译一次即可。以下示例基于 CUDA 环境;如需使用 ROCm/HIP 或 Vulkan,请将 -DGGML_CUDA=ON 替换为 -DGGML_HIP=ON 或 -DGGML_VULKAN=ON。若仅使用 CPU,则省略该后端编译标志。
git clone https://github.com/ggerganov/llama.cpp
cd llama.cpp
git checkout 4df29be4f4c3673f428170fda944a5b19f743bb8
curl -L -o HauhauCS-FastMTP-llama.cpp.patch \
https://huggingface.co/HauhauCS/Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-MTP-GGUF/resolve/main/HauhauCS-FastMTP-llama.cpp.patch
git apply --check HauhauCS-FastMTP-llama.cpp.patch
git apply HauhauCS-FastMTP-llama.cpp.patch
cmake -S . -B build -DGGML_CUDA=ON -DCMAKE_BUILD_TYPE=Release
cmake --build build --config Release -j"$(nproc)"
如果加载草稿模型时提示 expected 5120, 248320, got 5120, 32768,说明 FastMTP sidecar 文件无误,但当前可执行文件未打上补丁。请确保启动的是该代码目录中全新编译出的 ./build/bin/llama-server。
随后,使用这一个通用的 FastMTP sidecar 配合任意目标量化规格提供服务:
MODEL=Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-Q4_K_P.gguf
DRAFT=Qwen3.8-27B-Uncensored-HauhauCS-Aggressive-FastMTP-32K.gguf
DEPTH=3
CUDA_VISIBLE_DEVICES=0 ./build/bin/llama-server \
--model "$MODEL" \
--spec-draft-model "$DRAFT" \
--spec-draft-ngl all \
--spec-type draft-mtp \
--spec-draft-n-max "$DEPTH" \
--spec-draft-p-min 0 \
--ctx-size 204800 \
--parallel 1 \
--batch-size 2048 \
--ubatch-size 512 \
--n-gpu-layers all \
--split-mode none \
--flash-attn on \
--no-mmap \
--temp 1.0 \
--top-k 20 \
--top-p 0.95 \
--min-p 0 \
--presence-penalty 0 \
--repeat-penalty 1.0 \
--jinja \
--reasoning on \
--reasoning-effort xhigh \
--reasoning-preserve \
--reasoning-format deepseek \
--host 127.0.0.1 \
--port 8080
RTX PRO 6000 Blackwell FastMTP 参考速率
以下数据为未缓存的 9.8K token 文档基准测试的三次运行中位数,以及推理场景下的三用例均值。每个 FastMTP 运行结果均复现了对应内置 MTP 的输出哈希值。
| 量化规格 | Depth | PP tok/s | 文档 TG | 推理 TG | 相比内置 n2,文档 / 推理 | 相比关闭 MTP,文档 / 推理 |
|---|---|---|---|---|---|---|
| Q2_K_P | 3 | 3351.29 | 213.95 | 145.09 | +11.6% / +1.7% | 2.27x / 1.48x |
| Q3_K_P | 3 | 3317.16 | 216.15 | 137.99 | +20.5% / +8.8% | 2.54x / 1.56x |
| Q4_K_P | 3 | 3204.98 | 187.26 | 123.52 | +18.0% / +2.3% | 2.67x / 1.71x |
| Q5_K_P | 3 | 2842.05 | 168.29 | 110.50 | +17.8% / +4.6% | 2.61x / 1.66x |
| Q6_K_P | 3 | 3081.90 | 156.57 | 103.51 | +26.5% / +13.8% | 2.95x / 1.91x |
| Q8_K_P | 3 | 3285.86 | 138.18 | 90.07 | +35.2% / +21.1% | 3.02x / 1.93x |
| IQ2_M | 3 | 3050.94 | 219.19 | 135.00 | +13.8% / +0.4% | 2.33x / 1.39x |
| IQ3_M | 3 | 3269.27 | 204.98 | 128.45 | +21.5% / +7.9% | 2.40x / 1.45x |
| IQ3_XS | 3 | 3165.75 | 210.64 | 138.34 | +19.1% / +5.9% | 2.38x / 1.51x |
| IQ4_XS | 3 | 3445.30 | 211.09 | 135.77 | +21.7% / +9.3% | 2.68x / 1.66x |
完整上下文窗口基准测试采用了最终净化版 Q3_K_P 与 FastMTP 文件:190,000 个未缓存的 Prompt token 加上 64 个生成 token,测试取得了 1613.81 PP tok/s 与 131.81 TG tok/s 的吞吐,草稿接受率达到 92.0%,且在配置的最大原生上下文内未发生任何截断。
RTX 6000 Ada 内置 MTP 参考速率
在配置的最大 token 上下文、完全 CUDA 卸载、--no-mmap、官方思考采样器以及内置 MTP 下,最终公开文件的单次运行参考数据。测试负载为未缓存的 9.8K token 文档续写提示词,随后生成 512 个 token。
| 量化规格 | PP tok/s | TG tok/s |
|---|---|---|
| Q2_K_P | 1959.14 | 121.88 |
| Q3_K_P | 1944.73 | 112.76 |
| Q4_K_P | 1860.34 | 92.60 |
| Q5_K_P | 1737.51 | 83.25 |
| Q6_K_P | 1747.60 | 72.89 |
| Q8_K_P | 1827.29 | 59.00 |
| IQ2_M | 1884.83 | 121.25 |
| IQ3_M | 1867.48 | 108.45 |
| IQ3_XS | 1880.59 | 111.77 |
| IQ4_XS | 1978.46 | 104.25 |
启用 HauhauCS FastMTP 后,最终版 Q3_K_P 在相同的 Ada 硬件上达到了 138.37 文档 TG 与 87.95 推理 TG —— 比作为基准对照的 Unsloth Q3 固化版本分别快了 23.5% 与 3.9%。
推荐配置参数
思考模式(Thinking mode,默认):
temperature=1.0top_p=0.95top_k=20min_p=0.0presence_penalty=0.0repetition_penalty=1.0reasoning_effort=xhigh(以实现最深层次推理)
指令 / 非思考模式(Instruct / non-thinking mode):
temperature=0.7top_p=0.80top_k=20min_p=0.0presence_penalty=1.5repetition_penalty=1.0enable_thinking=false
Qwen3.8 支持 xhigh、medium 以及 low 三档推理深度(reasoning effort)。根据官方模型协议约定,默认启用思考模式并保留推理上下文。
重要注意事项:
- 使用
--jinja以启用内置聊天模板。 - Vision(视觉理解)必须配合 BF16 投影器使用。
- 模型原生最大上下文为
262144。 - 上下文长度与 KV 精度会占用大量显存(VRAM)。如果您的实际任务无需达到最大原生上下文,请在降低模型量化质量之前优先削减上下文长度。
- 除非显存压力受限,否则对于较低量化分档建议保持默认的 F16 K/V 精度。
如果您的 llama.cpp 构建版本无法识别 reasoning 或 MTP 相关的命令行标志,请更新至最新版。旧版本虽然可能仍能加载 GGUF,但无法支持完整的 Qwen3.8 推理服务通道。
关闭思考模式
Qwen3.8 默认启用思考模式。如果您希望获得更简短、更快速的直接回复,可以将其关闭。
llama-server 针对全局所有请求的配置示例:
--chat-template-kwargs '{"enable_thinking":false}'
通过 OpenAI 兼容 API 在单个请求中配置的示例:
{
"model": "qwen3.8-27b-aggressive-q3",
"messages": [{"role": "user", "content": "..."}],
"chat_template_kwargs": {"enable_thinking": false}
}
针对多轮对话智能体,保留先前的推理上下文配置示例:
{
"chat_template_kwargs": {"preserve_thinking": true}
}
兼容性说明
- llama.cpp: 官方推荐运行时;请使用支持 Qwen3.8 / MTP 的当前最新构建。
- LM Studio、Jan、KoboldCpp 及其他 GGUF 前端: 基础兼容性取决于其内置打包的 llama.cpp 版本。
- 内置 MTP(Embedded MTP): 可选启用,当前最新原生 llama.cpp 即原生支持。
- HauhauCS FastMTP: 可选启用;需要配合 sidecar 辅助模型以及 HauhauCS-FastMTP-llama.cpp.patch 补丁。
- Vision(视觉): 需要搭配独立的 BF16 投影器模型。
- K_P 显示: 在不识别该量化后缀的第三方 UI 中可能会被显示为
?。
真实性与防伪验证
每个 GGUF 均包含在带有数字签名的 HauhauCS 发布清单(release manifest)中。在重命名文件后,精确的 SHA-256 哈希值可用于验证按字节匹配的镜像副本;在仅重写元数据后,规范张量指纹(canonical tensor fingerprints)仍可用于精准辨别 HauhauCS 原版张量。
FastMTP sidecar 的精确文件 SHA-256 为 115e618e1f73cb50817ed5856f0551c6bf9c3d94df96f440eaca78dc63b8968b;其规范张量指纹为 49e248e799f169b6ccc6a8127b9300a95f06cf3d96a8353266f5d457e81d1c87。公钥 DER 指纹为 f7be4a2335582ab7b2e393ca1c40ce70e483f1492c0f57b8c6e05d8a7223833c。
下载 HauhauCS-RELEASE-MANIFEST.json、其数字签名、FastMTP-PROVENANCE.json、其数字签名 以及 HauhauCS-FastMTP-Ed25519-PUBLIC.pem,然后执行验签:
openssl pkeyutl -verify -rawin -pubin \
-inkey HauhauCS-FastMTP-Ed25519-PUBLIC.pem \
-in FastMTP-PROVENANCE.json \
-sigfile FastMTP-PROVENANCE.json.sig
openssl pkeyutl -verify -rawin -pubin \
-inkey HauhauCS-FastMTP-Ed25519-PUBLIC.pem \
-in HauhauCS-RELEASE-MANIFEST.json \
-sigfile HauhauCS-RELEASE-MANIFEST.json.sig
其他模型
Qwen3.8-27B 由 Qwen 团队遵循 Apache 2.0 许可证开源。本量化 Aggressive 变体保留该许可证。