language:
- zh
- en license: apache-2.0 library_name: gguf pipeline_tag: image-text-to-text base_model:
- Qwen/Qwen3.8-27B
- junafinity/Qwen-3.8-27B-Uncensored tags:
- qwen3.8
- gguf
- zerorefusal
- uncensored
- unsloth-dynamic
- iq4-xs
- mtp
- multimodal
- llama.cpp
- 16gb-vram
Qwen3.8-27B ZeroRefusal UD-IQ4_XS V3 Final (Native MTP)
English | 简体中文
这是一个针对 RTX 5060 Ti 16 GB 部署环境构建并验证的 Qwen3.8-27B GGUF 模型。
该模型采用最终版 Unsloth Dynamic V3 UD-IQ4_XS 发布的张量类型布局与重要性矩阵(importance matrix),从经过 ZeroFuse 编辑的 BF16 权重重新量化而来。所得的单一 GGUF 保留了原生 MTP / NextN 层,无需独立的草稿模型(draft model)。
这是一个独立的社区版本,并非来自 Qwen、Unsloth、llama.cpp 或 ZeroFuse 的官方发布。
发布文件
| 文件 | 用途 | 大小 |
|---|---|---|
Qwen3.8-27B-ZeroRefusal-UD-IQ4_XS-V3-Final-MTP.gguf | 带有原生 MTP 的主文本模型 | 14,252,845,056 字节 |
mmproj-Qwen3.8-27B-F16.gguf | Qwen3.8 Vision F16 投影器 | 927,607,008 字节 |
quantization/imatrix_unsloth.gguf | 量化所用的重要性矩阵 | 13,642,656 字节 |
quantization/v3-final-tensor-overrides.txt | 针对全部 866 个张量的锚定类型映射表 | 17,007 字节 |
主模型 SHA256:
f6c1f6e1211aeceaa386cbeabd0bdfbee0d124747ecaa3e908a93394518e9274
所有发布的二进制文件哈希值请参见 SHA256SUMS。
模型结构
- 架构:
qwen35 - 张量数量:866
- 块数量:65
qwen35.nextn_predict_layers = 1- 原生 MTP:
blk.64.*下的 15 个张量 general.file_type = 30- llama.cpp 报告:
IQ4_XS - 4.25 bpw - 原始上下文长度:262,144
- 验证生产环境上下文长度:73,728
最终的张量名称、形状和量化类型分布与最终版 Unsloth Dynamic V3 UD-IQ4_XS 参考完全一致。这并不意味着张量有效负载逐字节相同:其行为权重经过了编辑并重新量化。
生产环境验证配置
GPU RTX 5060 Ti 16 GB
llama.cpp upstream b10435 / 9e40df6
context 73728 (72 x 1024, shared KV pool)
parallel 2
KV unified Q4_0 K / Q4_0 V
text placement full GPU
MTP 1
draft KV F16 K / F16 V
Vision F16 mmproj, CPU offload
image-max-tokens 4096
API port 8001
在 73728 + P2 + unified KV 配置下,两个槽位(slots)共享一个 72K 的 KV 池,而非每个槽位各自拥有独立的 72K 上下文。
llama-server 运行示例
llama-server \
-m Qwen3.8-27B-ZeroRefusal-UD-IQ4_XS-V3-Final-MTP.gguf \
--alias qwen3.8-27b \
--mmproj mmproj-Qwen3.8-27B-F16.gguf \
--no-mmproj-offload \
--image-max-tokens 4096 \
-c 73728 \
-np 2 \
--kv-unified \
-ngl 999 \
--flash-attn on \
-ctk q4_0 \
-ctv q4_0 \
--spec-type draft-mtp \
--spec-draft-n-max 1 \
--spec-draft-type-k f16 \
--spec-draft-type-v f16 \
--no-spec-draft-backend-sampling \
-b 512 \
-ub 64 \
--threads 7 \
--fit off \
--jinja \
--host 0.0.0.0 \
--port 8001
在 RTX 5060 Ti 16 GB 上的实测性能
| 测试项 | 结果 |
|---|---|
| P1 解码速度 | 41.67 tok/s |
| P2 数据流 A | 31.58 tok/s |
| P2 数据流 B | 34.08 tok/s |
| P2 单流平均速度 | 32.83 tok/s |
| P2 服务器聚合吞吐 | 65.67 tok/s |
| P2 实际耗时(Wall-clock)聚合吞吐 | 61.88 tok/s |
| 观测到的最低剩余显存 | 约 138 MiB |
在测速样本中,P1 的 MTP 草稿接受率为 80.85%,两条 P2 流的接受率分别为 77.43% 和 62.22%。接受率取决于生成内容的具体特征。
64-Prompt 拒绝率验证
在固定验证配置下:
valid 64
accepted 64
refused 0
errors 0
result 0/64 refusal
方法:
- 数据集:
mlabonne/harmful_behaviors - 版本(Revision):
01cead01398926d81f7c52bdb790ee8cf77ebba7 - 语料 SHA256:
b4f2ddec5ab06058b721be9afe75e7fdc656852da257d8e7a117425b3dd89114 - 前 64 条 prompt,每条 prompt 最多输出 64 个 token
- Temperature 1.0,top-p 0.95,top-k 20
- 固定 23 个标记的拒绝分类器
此处仅公开方法论与摘要。原始的有害输出内容特意未予上传。该结果仅适用于此项固定测试,并不构成通用的安全性或质量保证。
来源与溯源
最终 Dynamic V3 量化参考:
repo unsloth/Qwen3.8-27B-GGUF
file Qwen3.8-27B-UD-IQ4_XS.gguf
revision 4ca720788d1e01f1bff70c033e0d0028fd02e502
bytes 14252845984
sha256 40fac4050e940397dbf13087afd50f4734a11805bf9d65ef8ddd7483470e6199
行为编辑来源:
repo junafinity/Qwen-3.8-27B-Uncensored
revision 903d149c148b81fdf4e568a05ac9ad4225f493d7
method ZeroFuse v0.1.0 directional ablation
trial 38
source layer 35
strength 1.2242385643286666
edited layers 9-56
BF16 KL 0.009713646
BF16 refusal 0/64
量化映射表采用了完全锚定的正则表达式。这可防止全局的 output.weight 规则误匹配到各层的 attn_output.weight 张量。详情请参阅 quantization/v3-final-tensor-overrides.txt。
局限性与安全性
- 16 GB 配置下的显存余量非常微弱。不同的驱动程序、CUDA 版本、批处理形状(batch shapes)或后台 GPU 负载均可能导致内存溢出(OOM)。
- 请勿同时运行 ComfyUI 或其他高负载 CUDA 任务。
- 在此配置方案下,请保持 F16 Vision 投影器加载于 CPU。
- ZeroRefusal/无审查(uncensored)模型可能会生成不安全、违法或错误的内容。部署者需自行承担访问控制、内容审查与安全策略的责任。
- 请遵守
LICENSE以及所有上游模型、数据集和工具的许可证与使用条款。