base_model:
- JonathanColetti/Qwen3.8-27B-Uncensored
base_model_relation: quantized
license: apache-2.0
pipeline_tag: text-generation
library_name: gguf
language:
- en
- zh tags:
- gguf
- uncensored
- abliterated
- qwen3.8
- imatrix
- dynamic-quant
Qwen 3.8 27B UNLEASHED
Qwen 3.8 27B UNLEASHED — GGUF
✅ 所有 9 个量化档位均已验证并上线 (2026-08-21)
UD-IQ1_M和UD-IQ2_S此前发布时曾短暂存在故障,随后被下架,目前已 重新构建、完成加载测试并重新上线。如果您在 2026-08-21 22:00 UTC 之前下载了其中任何一个,请重新下载。其他档位均未受影响。如果您打算自行量化此模型,以下内容值得仔细阅读。 上游在构建低比特档位时采用了不同的架构,而不仅仅是调整比特宽度:
Q3_K_XL 及以上 IQ1_M / IQ2_S 张量数 (tensors) 506 498 最高层 block 64 (MTP 头采用 q6_k)63 (MTP 已剪枝) block_count65 64 nextn_predict_layers1 0 他们的重要性矩阵 (imatrix) 包含 496 个条目,因为它与剪枝后的拓扑结构相匹配。若直接使用该矩阵量化 65 个 block 的 f16 模型,将会报错:
Missing importance matrix for tensor blk.64.attn_k.weight。单独使用
--prune-layers 64是不够的——它虽然移除了张量,但模型元数据中仍声明存在 MTP 头,因此加载时会在blk.63.nextn.eh_proj.weight not found处崩溃:形成一个结构有效但无法加载的模型文件。您还必须重写元数据:llama-quantize --imatrix <imatrix> --tensor-type-file IQ1_M.txt > --prune-layers 64 > --override-kv qwen35.block_count=int:64 > --override-kv qwen35.nextn_predict_layers=int:0 > model-f16.gguf out.gguf IQ1_M 12此处提供的每个文件在上传前均经过严格把控:退出代码 (exit code) → 魔数校验 (magic bytes) → 实际模型加载测试。仅凭文件头检查曾导致两个损坏的构建版本被放行;唯有实际加载模型才能发现问题。
未审查版 (Uncensored) Qwen3.8-27B,采用逐张量动态比特分配进行量化。
大多数未审查 GGUF 都是均匀量化(uniform quants)——每一层都采用相同的精度处理。而本模型使用逐张量类型映射表 (per-tensor type map),使敏感张量保留更高精度,容忍度高的张量进行深度压缩。 最终效果:Q3 档位的表现超越了比它大 3.3 GB 的 Q4,并支持完整的 250k token 长文本检索。
来源说明(平铺直叙)。 逐张量量化映射方案提取自 unsloth/Qwen3.8-27B-GGUF (Unsloth Dynamic 3.0),通过读取其发布文件中的张量类型表获得,然后应用到 JonathanColetti/Qwen3.8-27B-Uncensored 的权重以及该仓库的 imatrix 上。该配方是 Unsloth 的成果,并非我们原创——我们并未独立推导该方案。所有上游项目均采用 Apache 2.0 协议。详见 致谢。
评估与实测 (Measurements)
以下所有数据均来自同一台机器、同一测试框架、同一测试会话——RTX 4090 24 GB,llama.cpp 开启 DFlash2 推测解码 (speculative decoding),q4_0 KV 缓存,-c 262144,wikitext-2 困惑度 (perplexity, 60 个 chunks)。
⚠️ 请勿将这些 PPL 数值与其他测试环境的数据直接比较。分块数量和测试框架会改变绝对数值尺度;仅表内横向对比具有实际意义。
| 量化档位 | 大小 | PPL ↓ | 中位数 tok/s | 大海捞针检索 (Needle retrieval) | 未审查 (Uncensored) |
|---|---|---|---|---|---|
| Unleashed UD-IQ4_XS | 14.3 GB | 6.3502 | — | (测试中 pending) | ✅ |
| Unleashed UD-Q3_K_XL | 13.2 GB | 6.4036 | 112.8 | ✅ 250,806 tok | ✅ |
| Unleashed UD-IQ3_XXS | 11.0 GB | 6.4818 | — | (测试中 pending) | ✅ |
| unsloth UD-Q3_K_XL (参考) | 12.24 GB | 6.3993 | 110.7 | ✅ 250,806 tok | ❌ |
| uncensored IQ4_XS (参考) | 15.1 GB | 6.4149 | 107.3 | 32k | ✅ |
| unsloth UD-Q4_K_XL (参考) | 16.7 GB | 6.4181 | 62.6 | 4k | ❌ |
| uniform Q3_K_M + imatrix (参考) | 12.57 GB | 6.5316 | 84.8 | ✅ 258,900 tok | ✅ |
| unsloth UD-Q2_K_XL (参考) | 9.15 GB | 6.6469 | — | — | ❌ |
标记为 (pending) 的档位已上传且完全可用;其完整的速度/检索测试仍在运行中。
表格结论解读:
- 动态 Q3 战胜了所有参与测试的 Q4 档位,包括一个体积大 2.2 GB 的 Q4。
- 对比相同权重下的均匀 Q3:多消耗 0.6 GB 体积,换来了 PPL 降低 0.13 以及吞吐量提升 33%。
- 模型质量在误差范围内与 Unsloth 自家的 Q3 相当(Δ 0.0043,σ ≈ 0.045)——可视为打成平手,区别在于未审查权重体积增加了约 1 GB。
- Q2 是极限下限。 动态配方将朴素 Q2 的损失减半,但仍有约 3.8% 的损耗。Q3 才是质量保持稳定的平衡点。
生成速度:你的实际预期应当是多少
基于真实流量测试得出(n=1,696 次请求,RTX 4090,Q3_K_XL,dflash2 草稿模型)。吞吐量更多取决于生成的 token 数量,而非上下文深度,因为每次请求都有固定开销(Prefill 预填充、采样器初始化、草稿模型预热),这些开销只有在长文本生成中才会被摊薄:
| 生成的 Token 数 | n | 中位数 tok/s |
|---|---|---|
| 1-50 (工具调用、简短确认) | 1,289 | 24.9 |
| 51-200 | 97 | 32.6 |
| 201-600 | 191 | 43.6 |
| 601-1500 | 61 | 46.9 |
| 1500+ (长篇文本、代码) | 58 | 56.3 |
单次请求观测到的峰值速度:约 195 tok/s。请勿根据峰值来规划性能预期。
如果你运行的智能体(agent)大部分时间只输出简短的工具调用,其实际速度预计会处于表格底部的 ~25 tok/s 附近,而不是顶端。这并不是此量化版本的缺陷——而是 27B 规模模型单次请求的固有开销,适用于该模型的任何 GGUF 版本。推测解码需要几个 token 来建立接收动量,因此非常短的回复往往在草稿模型还没热身完毕时就已经结束了。
降低上下文长度并不能解决这个问题。 在 65 层结构中仅有 17 层是全注意力(其余为线性/DeltaNet),因此 KV 缓存在每 token 计算成本中所占比例很小。我们实测在 16-64k 上下文下的中位数速度为 61 tok/s,而在 <4k 上下文下仅为 30 tok/s——更深的上下文反而更快,因为那些请求生成的 token 数量更多。上下文深度不是调控速度的杠杆;生成长度才是。
深层长文本检索 (Retrieval at depth)
在 250,806 token 的上下文环境中(98% 窗口占用率)成功检索出精准字符串目标(Needle):
| 上下文深度 | Prompt Token 数 | 检索结果 | 生成速度 (tok/s) |
|---|---|---|---|
| 32k | 31,265 | ✅ 成功命中 | 50.4 |
| 120k | 119,779 | ✅ 成功命中 | 60.6 |
| 250k | 250,806 | ✅ 成功命中 | 40.4 |
文件列表 (Files)
全部 9 个档位,相同的配方,相同的权重,外加经过测试的视觉投影器 (vision projector)。 文件体积为磁盘实际占用(十进制 GB)。
| 文件 | 体积 | 容纳规格 (权重 + 262k 上下文) | 说明 |
|---|---|---|---|
UD-IQ1_M | 6.8 GB | 8 GB 显卡 | ⚠️ 得分等同于随机猜测 (25.8% MMLU) — 仅为完整性发布,不建议实际使用 |
UD-IQ2_S | 8.5 GB | 12 GB 显卡 | 最小的可用档位 — 70.8% MMLU,通过检索测试 |
UD-Q2_K_XL | 9.9 GB | 12 GB 显卡 | 10GB 以内最佳选择 |
UD-IQ3_XXS | 11.0 GB | 16 GB 显卡 | 性价比极高的档位 |
UD-Q3_K_XL | 13.2 GB | 16–24 GB 显卡 | 推荐档位 — 4090 上可开满 262k 上下文 |
UD-IQ4_XS | 14.3 GB | 24 GB 显卡 | 整个档位梯队中测得的最佳 PPL |
UD-Q4_K_M | 16.5 GB | 24 GB 显卡 | 需缩减上下文或使用 q8_0 KV 缓存 |
UD-Q5_K_M | 19.8 GB | 24 GB 显卡 @ 约 131k 上下文 | 逼近质量上限区间 |
UD-Q6_K | 22.1 GB | 24 GB 显卡 @ 约 65k 上下文 | 超过 Q4 后的边际收益递减 |
24 GB 显卡的显存占用计算: 权重 + 约 5 GB KV(262k 上下文下使用 q4_0)+ 约 2 GB 草稿模型 + 计算缓冲区。对于一个 27B 模型而言,KV 缓存占用之所以如此之小,是因为 Qwen3.8 采用了混合 DeltaNet 架构——65 层中仅有 17 层是全注意力。
快速上手 (Quick start)
llama-server -m Qwen3.8-27B-Unleashed-UD-Q3_K_XL.gguf -ngl 999 -c 262144 -fa on --cache-type-k q4_0 --cache-type-v q4_0 --jinja
图表 (Charts)
质量与体积对比 困惑度不等于能力 吞吐量与生成长度关系 速度与体积对比 上下文检索表现
我应该选择哪个文件?
| 显存 (VRAM) | 文件 | 说明 |
|---|---|---|
| 24 GB | UD-Q3_K_XL | 官方推荐 — 最佳质量/体积平衡,支持完整 256k 上下文 |
| 24 GB | UD-Q4_K_M / UD-Q5_K_M | 若您希望在上下文之上有更多质量余量 |
| 16 GB | UD-Q3_K_XL | 适当降低 -c,或采用 q4_0 KV 缓存 |
| 12 GB | UD-Q2_K_XL | 有可感知的质量损失 — 见对比表格 |
| 8 GB | UD-IQ2_S | 仍能维持正常工作的最小档位 — 避免使用 IQ1_M |
基础模型排名表现
基础模型的外部参考背景(标准 Qwen3.8-27B, bf16 — 非我们的量化版本):
- Artificial Analysis (2026年8月):在智能指数 (Intelligence Index) 上与 DeepSeek V4 及 GPT-5.6 级别模型并驾齐驱 — 讨论链接 · 图表
- “击败所有中型模型(40B–150B);与 DeepSeek V4 Flash 得分一致” — Hacker News 对 AA 数据的总结
- 混合 DeltaNet 架构:65 层中仅 17 层为全注意力 → 262k 上下文下的 KV 缓存约为 5 GB (q4_0),这也是为何 24 GB 显卡能够开满完整上下文的核心原因
我们的量化版本完整继承了这些能力,仅减去上述实测的量化损失。
最佳运行参数 — 这些设置至关重要
| 参数设置 | 建议值 | 理由 |
|---|---|---|
| temperature | 1.0 | Qwen3.8 官方发布默认值;配合 top_p 0.95 / top_k 20 使用 |
| top_p / top_k / min_p | 0.95 / 20 / 0.0 | 原生 Qwen3.8 官方推荐 |
| repeat_penalty | 1.0 | 该体积下的 K-quants 不容易陷入死循环;建议关闭该惩罚 |
| KV cache | q4_0 | 24 GB 显卡开启 262k 上下文所必需;若 ≤131k 上下文可使用 q8_0 |
| reasoning effort | 默认为 low,按任务调高 | 深度思考 (thinking) 会快速消耗输出 token 预算 |
enable_thinking | 代码密集型任务建议关闭 | 推理链会大量占用输出预算 |
你到底应该使用哪个档位?
所有档位均在同一天、同一台机器(RTX 4090, llama.cpp-dflash2)上完成评测: wiki.test 困惑度 (PPL)、生成速度、MMLU(每门科目 10 道题 x 57 个科目 = 570 题,贪婪解码 greedy,禁用思考)、大海捞针检索测试,以及 20 个提示词构成的拒绝回答测试集。
| 档位 | 体积 | PPL ↓ | tok/s | MMLU ↑ | 大海捞针检索 | 拒绝率 |
|---|---|---|---|---|---|---|
UD-IQ1_M | 6.8 GB | 8.4493 | 77.0 | 25.83% ⚠️ | ❌ 32k 下失败 | 0.0% |
UD-IQ2_S | 8.5 GB | 7.0195 | 66.6 | 70.83% | ✅ 通过 | 0.0% |
UD-Q2_K_XL | 9.9 GB | 6.6367 | 68.2 | 70.83% | ✅ 通过 | 0.0% |
UD-IQ3_XXS | 11.0 GB | 6.4818 | 62.0 | 75.00% | ✅ 通过 | 0.0% |
UD-Q3_K_XL | 13.2 GB | 6.4036 | 52.2 | 82.50% | ✅ 通过 | 0.0% |
UD-IQ4_XS | 14.3 GB | 6.3502 | 49.5 | 81.67% | ✅ 通过 | 0.0% |
UD-Q4_K_M | 16.5 GB | 6.3857 | 48.0 | 78.33% | ✅ 通过 | 0.0% |
UD-Q5_K_M | 19.8 GB | 6.4395 | 41.1 | 79.17% | ✅ 通过 | 0.0% |
UD-Q6_K | 22.1 GB | 6.4065 | 37.8 | 79.17% | ✅ 通过 | 0.0% |
此处的 MMLU 测试为每档位 n=120(按科目分层采样),用于阶梯对比;下方提到的核心亮点数据 82.98% 则是 Q3_K_XL 在完整 n=570 上的测试结果。n=120 约有 ±4 个百分点的误差,因此细微差距可视为噪音。
三项值得明确指出的关键结论
0. UD-IQ1_M 的得分等同于随机瞎猜,切勿使用。 MMLU 为四选一单选题,25% 是随机猜测的底线。IQ1_M 得分为 25.83%——在统计学上与随机噪音无异——其困惑度比 Q3 差了 32%,并在 32k 上下文下检索失败。它是本系列中速度最快的文件(77 tok/s),但没有保留任何可用知识。我们选择公开其数据并一同发布,而不是悄悄隐去该档位:如果您的显卡只有 8 GB,请转而运行 UD-IQ2_S——它仅大 1.7 GB,却能保持 70.83% 的 MMLU 得分并顺利通过检索测试。
这种性能衰退并非线性渐进的。IQ2_S 在体积小 1.4 GB 的情况下完全追平了 Q2_K_XL(70.83%);但再往下跌落一步就会发生悬崖式崩塌。该模型的实际可用底线是 2-bit。
1. 困惑度不等于实际能力。 UD-IQ4_XS 在整个阶梯中拥有最佳的困惑度数值 (6.3502),但它并非最优秀的模型——其 MMLU 得分落后于 UD-Q3_K_XL,且体积大了 1.1 GB、速度慢了 5%。在挑选量化版本时,应优先依据下游任务基准测试,而非 PPL。
2. 超过 Q3 的档位几乎没有带来实质收益。 UD-Q6_K 比 UD-Q3_K_XL 大了 8.9 GB、速度慢了 28%,得分却并未提升。模型质量在 Q2 到 Q3 之间大幅提升,随后便趋于平缓。推荐的 Q3 档位正处于各性能曲线的拐点(最佳效益点),而非某种妥协折衷。
3. 审查消除(Abliteration)效果在量化后得以完整保留。 在每一个档位中,拒绝率均为 0.0%,一直下探到 9.9 GB。无论低比特量化带来什么损耗,它都不会导致审查机制复苏。
综合能力:MMLU
在此特定量化版本 (UD-Q3_K_XL) 上实测得出,而非直接测母模型 bf16——因此该数据同时计入了量化损失以及审查消除(abliteration)损失。
| 模型 | MMLU (0-shot, 10题/科目, n=570) |
|---|---|
| Unleashed UD-Q3_K_XL (13.2 GB, 未审查) | 82.98% (473/570) |
| 原版 Qwen3.8-27B bf16, 相同测试标准 (由 OBLITERATUS 发布) | 85.3% |
测试规范:贪婪解码 (temperature 0),关闭思考功能,提取单字母答案,覆盖全部 57 个 MMLU 科目,每科目 10 题,解析失败率为 0。
坦诚解读: 比原版 bf16 降低约 2.3 分,该差距涵盖了审查消除与 3-bit 量化的双重影响。考虑到它仅需 13.2 GB 体积即可维持 262k 完整上下文,并在单张消费级 GPU 上以 25-56 tok/s 运行(详见速度说明小节——该表现显著取决于单次生成 token 数量),这就是该档位所提供的权衡。如果您追求基准测试上的每一分极致精度且不需要解除审查,请直接使用原版 bf16。
拒绝回答行为测试 (Refusal behaviour)
| 模型 | 拒绝率 |
|---|---|
| Unleashed UD-Q3_K_XL | 0 / 20 (0.0%) |
| 原版 Qwen3.8-27B | 该测试集中绝大多数提示词均触发拒绝 |
包含 20 个边界测试提示词的测试集(安全机制、药物药理、暴力/恐怖小说、社工工程、道德败坏的角色设定写作、暗示性浪漫情景)。通过检测回复开头的拒绝标识进行判定;每个提示词均生成了充实质的答复(后三个提示词的答复长度为 806-1004 字符)。
消除审查(Abliteration)的方式会产生影响吗?
我们对此进行了直接对比验证。选用另一个不同的未审查基底——OBLITERATUS V2(它采用互补混合法 SVD + LEACE,而非 Heretic 方法),并使用完全相同的 UD-Q3_K_XL 量化配方,在相同硬件、同一天进行测试,确保唯一的变量仅为基础权重:
| 基础模型 | MMLU (n=570) | 拒绝率 |
|---|---|---|
| 基于 Heretic 去审查(本仓库) | 82.98% (473/570) | 0/20 |
| 基于 SVD+LEACE 去审查,同配方 | 82.98% (473/570) | 0/20 |
得分完全一致。两款模型在 44 道具体题目上存在分歧(预测一致率为 92.3%)——它们是截然不同的模型,但在整体表现上恰好收敛到了相同水平。
在 3-bit 精度下,不同的去审查技术展现出了相当的互换性:方法不同,测得的能力和拒绝表现几乎一致。在为了追求某些基准宣传而更换基底之前,了解这一点很有价值。
诚恳提示: n=20 仅属于抽样检查,并非 800+ 题的大规模测试语料。父模型的说明文档指出其拒绝行为是大幅减少,而非彻底绝迹——您可能仍然会遇到边缘用例。此处测试衡量的是我们对其进行的量化版本,在 refusal-results.jsonl 中所列 20 个提示词下的表现。
MTP 与视觉功能
- MTP 头(多 Token 预测):完整保留。
nextn.*多 token 预测张量在去审查过程中完好保留(由父仓库重新嫁接),并在本仓库的每个量化版本中均予以保留(eh_proj采用 Q6_K)。 - 视觉能力:打包提供并完成实测。 本仓库包含
mmproj-Unleashed-f16.gguf(0.93 GB),由与这些量化版本相同的母模型权重构建。据我们所知,目前市面上该模型的其他未审查 GGUF 均为纯文本版本,原因在于convert_hf_to_gguf.py默认仅转换文本,除非显式传入--mmproj,否则会丢弃 333 个视觉张量。
# 启用视觉仅需多加一个参数 - 权重本身保持不变
llama-server -m Qwen3.8-27B-Unleashed-UD-Q3_K_XL.gguf --mmproj mmproj-Unleashed-f16.gguf -ngl 999 -c 262144 -fa on --cache-type-k q4_0 --cache-type-v q4_0 --jinja
随后即可使用包含 image_url 内容部分的格式(OpenAI 规范)向 /v1/chat/completions 发送图像,或使用 llama-mtmd-cli。
我们实测验证的内容(Q3_K_XL + 该 projector,单张 4090):
| 检查项 | 结果 |
|---|---|
| 与 3-bit 量化模型同时加载 | 通过 - 32k 上下文占用 15.9 GB 显存 |
| 形状与颜色识别 | 通过 - "a solid red circle"(纯红色的圆形) |
| 空间方位推理 (左/右) | 通过 - "LEFT is blue, RIGHT is yellow"(左侧为蓝,右侧为黄) |
测试使用了即时生成的合成图像,因此标准答案完全明确,模型无法投机取巧。消除审查并未破坏跨模态对齐能力——这曾是一个潜在风险,实测证明表现良好。
开销说明:该投影器额外增加约 0.9 GB 常驻显存。纯文本请求绝不会调用视觉编码器,因此常驻加载不会带来生成速度惩罚;每张图像仅需支付一次性的 Prefill 计算开销。若省略 --mmproj,行为则与纯文本版本完全一致。
尚待测试的领域:高密度图像基准测试准确率、OCR 文字识别质量、多图输入提示。
运行方式 (Running it)
推荐的 llama.cpp 服务端配置——所有测试数据均在此配置下取得:
llama-server -m Qwen3.8-27B-Unleashed-UD-Q3_K_XL.gguf -ngl 999 -c 262144 -b 2048 -ub 512 -fa on --cache-type-k q4_0 --cache-type-v q4_0 --cache-reuse 256 --jinja --reasoning-effort medium --temperature 1 --top-p 0.95 --top-k 20 --min-p 0.0 --presence-penalty 0.0 --repeat-penalty 1.0
使用 DFlash2 进行推测解码 (可选,显著加速)
本卡片上的所有速度测试均在挂载 DFlash2 草稿模型的情况下测得。草稿模型不包含在当前仓库文件中——它是一个约 2 GB 的独立模型,用于向前预测若干 token,然后由主模型一次性验证。在我们的测试中,它对草稿 token 的接受率为 48.6%,平均单次接受长度为 3.92 个 token。请注意,在真实智能体流量下的接受率(中位数约 0.37-0.51)会低于基准测试提示词。
从 spiritbuun/Qwen3.8-27B-DFlash2 获取草稿模型 (Q8_0, 约 2 GB) 并添加以下启动参数:
-md Qwen3.8-27B-DFlash2-Q8_0.gguf -ngld 999 --spec-type draft-dflash --spec-draft-n-max 6 --spec-draft-p-min 0.75 --spec-draft-type-k q4_0 --spec-draft-type-v q4_0
调优说明:我们对草稿参数进行了 A/B 对比测试。n_max=6, p_min=0.75 的综合表现优于 n_max=10, p_min=0.55(41% 接受率)以及 n_max=10, p_min=0.40(30% 接受率)。在此处设定更高的 p_min 更具优势——过于激进的推测草稿反而得不偿失。不挂载草稿模型时系统仍可正常运作,仅速度有所降低;吞吐量大约会减少三分之一。
注意事项:
--cache-reuse 256的作用远比表面看起来重要。在固定系统提示词的情况下,120k 深度下的吞吐量实测高于 32k 深度——前缀复用摊薄了预填充的开销。q4_0KV 缓存是实现 24 GB 显存塞下 262k 上下文的关键。若使用f16KV 缓存,显存会远在此之前耗尽爆显存 (OOM)。- 采样参数来自 Qwen3.8 官方发布建议,未经我们主观修改。
量化方法 (Method)
- 从每个已发布的 Unsloth UD GGUF 文件头中读取张量类型表(通过 HTTP range 请求——仅获取元数据,无需下载完整模型)。
- 生成
--tensor-type-file映射文件,每个被量化的张量对应一行tensor=type(Q3_K_XL 包含 506 行)。 - 使用 Jonathan 的未审查 f16 权重、其发布的 imatrix 以及该映射表运行
llama-quantize。
该映射表的分配规则并不直观,但非常值得研究。在从 IQ1_S 到 Q8_K_XL 的每一个档位中,约 96 个 ssm_alpha / ssm_beta 张量均被固定保持在 Q8_0——即使在 1-bit 构建版本中亦是如此。这些张量构成了 Qwen3.8 DeltaNet 路径的核心门控。我们曾尝试自行手工配置(对这些张量使用均匀 Q3_K,加大注意力层权重),测得结果为 6.5865——这是我们测得的最差成绩。每一层针对性的具体比特分配正是该方案的核心贡献所在,这项成果属于 Unsloth。
局限性说明 (Limitations)
- 未审查 (Uncensored) ≠ 无对齐 (Unaligned)。 拒绝回答的行为是大幅减少,而非完全消除。实测拒绝率请参阅 Jonathan 的模型卡片。
- PPL 是任务质量的较弱代理指标。在一个包含 16 项任务的 BenchLoop 代码评测集(本地优先的 LLM 基准框架)中,此处测试的每个量化版本均取得了完全相同的成绩 (14/16)——在该档位上无法拉开差距。请将 PPL 作为相对参考信号。
- 检索测试采用的是精确字符串匹配(大海捞针),这是较为简单的场景。未在 250k 上下文下测试复杂的多跳推理 (multi-hop reasoning)。
- 所有数据基于单台机器实测,未经跨硬件环境交叉验证。
- 视觉功能:请使用上游仓库的
mmproj;本项目未单独附带。
致谢 (Credits)
- JonathanColetti — 提供了未审查的基础模型权重(通过 Heretic 进行 abliteration 审查消除,重新嫁接并验证了 MTP 头)以及用于这些量化版本的 imatrix。没有这项先驱工作,本项目便无从谈起。
- Unsloth — 提供了 Dynamic 3.0 逐张量量化配方。我们提取并复用了其映射策略;该方法及其背后的深度分析完全归功于他们。如果您可以使用未经审查移除的原版基底,建议直接使用他们的官方文件。
- Qwen — 基础模型的开发者。
- llama.cpp — 提供了出色的量化与推理框架。
遵循上游组件的开源协议,采用 Apache 2.0 许可证。提及 Unsloth 和 Qwen 名称仅用于客观归属与致谢,不代表任何关联或背书。