Instructions to use Ar4ikov/Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Ar4ikov/Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("image-text-to-text", model="Ar4ikov/Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM")
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"},
            {"type": "text", "text": "What animal is on the candy?"}
        ]
    },
]
pipe(text=messages)

# Load model directly
from transformers import AutoProcessor, AutoModelForMultimodalLM

processor = AutoProcessor.from_pretrained("Ar4ikov/Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM")
model = AutoModelForMultimodalLM.from_pretrained("Ar4ikov/Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM", device_map="auto")
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"},
            {"type": "text", "text": "What animal is on the candy?"}
        ]
    },
]
inputs = processor.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=40)
print(processor.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use Ar4ikov/Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Ar4ikov/Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Ar4ikov/Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM",
		"messages": [
			{
				"role": "user",
				"content": [
					{
						"type": "text",
						"text": "Describe this image in one sentence."
					},
					{
						"type": "image_url",
						"image_url": {
							"url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg"
						}
					}
				]
			}
		]
	}'

Use Docker

docker model run hf.co/Ar4ikov/Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM

SGLang

How to use Ar4ikov/Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "Ar4ikov/Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Ar4ikov/Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM",
		"messages": [
			{
				"role": "user",
				"content": [
					{
						"type": "text",
						"text": "Describe this image in one sentence."
					},
					{
						"type": "image_url",
						"image_url": {
							"url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg"
						}
					}
				]
			}
		]
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "Ar4ikov/Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Ar4ikov/Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM",
		"messages": [
			{
				"role": "user",
				"content": [
					{
						"type": "text",
						"text": "Describe this image in one sentence."
					},
					{
						"type": "image_url",
						"image_url": {
							"url": "https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg"
						}
					}
				]
			}
		]
	}'

Docker Model Runner
How to use Ar4ikov/Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM with Docker Model Runner:
```
docker model run hf.co/Ar4ikov/Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM
```

Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM

4-битный AWQ-квант orcarouter/Qwen3.8-27B-Uncensored, сделанный llm-compressor в формате compressed-tensors (pack-quantized). Грузится в vLLM нативно.

Квантование выполнено с BF16-весов, а не поверх FP8-чекпоинта — чтобы не накладывать INT4 на уже потерянную точность.

Что внутри


Схема	`W4A16_ASYM` (asymmetric, zero-point)
Group size	128
Стратегия	`group`, `type: int`, `num_bits: 4`
Формат	`compressed-tensors` / `pack-quantized`
Активации	BF16 (weight-only)
Калибровка	`HuggingFaceH4/ultrachat_200k`, 256 сэмплов × 2048 токенов, через chat template
Размер	19 GB (было 52 GB в BF16)

Что квантовано, а что осталось в BF16

Qwen3.8-27B — гибрид: 64 слоя по схеме 16 × (3 × Gated DeltaNet → 1 × Gated Attention), плюс vision-башня и MTP-голова.

В INT4:

Gated Attention (слои 3, 7, …, 63): q_proj, k_proj, v_proj, o_proj
FFN всех 64 слоёв: gate_proj, up_proj, down_proj
Gated DeltaNet (остальные 48 слоёв): in_proj_qkv, in_proj_z, out_proj

Остались в BF16:

lm_head и эмбеддинги
вся vision-башня (model.visual.*) — квантование визуального энкодера бьёт по качеству распознавания сильнее, чем экономит память
linear_attn.in_proj_a / in_proj_b — чувствительные гейты SSM-ветки
вся MTP-голова (mtp.*) — чтобы не ломать спекулятивный декодинг

Про MTP. transformers не инстанцирует MTP-голову для qwen3_5, поэтому llm-compressor её не видит и не сохраняет — наивный квант теряет MTP целиком. Здесь тензоры mtp.* скопированы из исходного BF16-чекпоинта в готовый результат, зарегистрированы в model.safetensors.index.json и внесены в quantization_config.ignore. Спекулятивный декодинг сохранён.

Про AWQ-mappings. У гибридной архитектуры нет общего для всех слоёв набора проекций, поэтому дефолтные маппинги AWQ не резолвятся. В recipe.yaml лежат кастомные: отдельный маппинг для input_layernorm full-attention слоёв и отдельный — для DeltaNet-слоёв, где в balance_layers обязаны быть все потребители выхода нормы, включая неквантуемые in_proj_a / in_proj_b, иначе сглаживание ломает математику.

Использование (vLLM)

vllm serve Ar4ikov/Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM \
  --max-model-len 262144 \
  --tensor-parallel-size 2

Использование (transformers)

from transformers import AutoModelForImageTextToText, AutoProcessor

model = AutoModelForImageTextToText.from_pretrained(
    "Ar4ikov/Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM", dtype="auto", device_map="auto"
)
processor = AutoProcessor.from_pretrained("Ar4ikov/Qwen3.8-27B-Uncensored-AWQ-W4A16-ASYM")

transformers при загрузке распаковывает веса обратно в BF16, так что экономии VRAM здесь не будет. Реальная экономия видна только в рантаймах с нативными INT4-ядрами (vLLM, SGLang): ожидаемо ≈ размер файла + KV-кэш.

Параметры сэмплирования

Наследуются от базовой модели:

Thinking mode: temperature=1.0, top_p=0.95, top_k=20, min_p=0.0, presence_penalty=0.0
Non-thinking: temperature=0.7, top_p=0.80, top_k=20, min_p=0.0, presence_penalty=1.5

Поддерживается reasoning_effort (low / medium / xhigh), контекст 262 144 токена нативно.

Воспроизводимость

В репозитории лежит recipe.yaml, сгенерированный llm-compressor. Ключевая часть:

from llmcompressor.modifiers.awq import AWQModifier

recipe = [AWQModifier(
    targets=["Linear"],
    scheme="W4A16_ASYM",
    ignore=[
        "re:.*lm_head",
        r"re:model\.visual\..*",
        r"re:.*\.linear_attn\.in_proj_a",
        r"re:.*\.linear_attn\.in_proj_b",
        r"re:mtp\..*",
    ],
    mappings=MAPPINGS,   # см. recipe.yaml
)]

Оговорки

Квантовано 400 Linear-слоёв (64×3 MLP + 16×4 full-attention + 48×3 DeltaNet); 400 тензоров weight_packed (I32-упаковка INT4) с weight_scale и weight_zero_point.
Квант не проходил бенчмарк-валидацию — проверена только связность генерации. Для продакшена прогоните свои эвалы.
Vision-часть не квантовалась, поэтому качество на изображениях должно быть близко к исходной модели; деградация ожидается прежде всего в текстовой части.
Базовая модель — uncensored-файнтюн; квантование не добавляет и не снимает никаких ограничений, поведение наследуется от orcarouter/Qwen3.8-27B-Uncensored.