Qwen3.5-4B · GGUF (llama.cpp)

GGUF quantizations of Qwen/Qwen3.5-4B for llama.cpp / Ollama / LM Studio. Produced by axteam.

Files

Text generation via llama.cpp. Converted with llama.cpp convert_hf_to_gguf.py; the original chat_template is embedded. (The vision encoder is not included in these GGUF files.)

Quantization method

These GGUF files are post-training quantization (PTQ) made with llama.cpp (convert_hf_to_gguf.py → llama-quantize): the BF16 weights are quantized block-wise (k-quants: per-block scales with mixed bit allocation), with no retraining. The original chat_template is embedded in each file.

Measured on GPU (llama.cpp)

llama.cpp b12005 (commit e0f142d, CUDA build) on an NVIDIA B200, 2026-11-02, all layers on the GPU: perplexity over 16 windows of 2,048 tokens from the WikiText-2 test set and from a Korean Wikipedia sample (lower is better). This repo has no BF16 file, so percentages are relative to Q8_0, the file closest to the original.

16 windows per text is a small sample: differences of a few percent between files are within its sampling noise (re-measuring two repos with 64 windows moved such differences by up to ~19 points).

Requirements

Run with llama.cpp

# pull one quant straight from the Hub and serve an OpenAI-compatible API on :8080
llama-server -hf axteam/Qwen3.5-4B-GGUF:Q4_K_M -c 8192 --jinja

# or download a single file and chat in the terminal
hf download axteam/Qwen3.5-4B-GGUF Qwen3.5-4B-Q4_K_M.gguf --local-dir .
llama-cli -m Qwen3.5-4B-Q4_K_M.gguf -c 8192 --jinja

Query the server:

curl http://localhost:8080/v1/chat/completions -H "Content-Type: application/json" -d '{
  "messages": [{"role": "user", "content": "대한민국의 수도는 어디인가요?"}],
  "max_tokens": 512
}'

Reduce KV-cache memory (optional, run-time)

KV-cache type is chosen at run time in llama.cpp (it is not baked into the file):

llama-server -hf axteam/Qwen3.5-4B-GGUF:Q4_K_M -c 8192 --jinja --cache-type-k q8_0 --cache-type-v q8_0 -fa on

Ollama

ollama run hf.co/axteam/Qwen3.5-4B-GGUF:Q4_K_M

LM Studio

Search for axteam/Qwen3.5-4B-GGUF in the model browser and pick a quant (e.g. Q4_K_M).

License

Quantized derivative of Qwen/Qwen3.5-4B (Apache-2.0). Original weights & tokenizer belong to the Qwen team.

---

한국어 요약

Qwen/Qwen3.5-4B의 GGUF 양자화 빌드 (llama.cpp·Ollama·LM Studio용) · 제작 axteam

개요

양자화 상세

• 양자화 절차: PTQ(학습 후 양자화, 재학습 없음), llama.cpp 블록 단위 양자화(k-quant Q*_K, Q8_0)
• chat template: GGUF 파일에 내장
• 품질(실측, 2026-11-02): llama.cpp PPL(WikiText-2·한국어 위키 표본, 2,048토큰×16, B200 GPU, 낮을수록 좋음, 리포에 BF16 파일이 없어 원본에 가장 가까운 Q8_0 기준) — Qwen3.5-4B-Q8_0.gguf 영어 8.66·한국어 6.11 · Qwen3.5-4B-Q4_K_M.gguf 영어 9.06·한국어 6.34(Q8_0 대비 +4.7%·+3.7%) — 텍스트당 16청크라 파일 사이 몇 % 차이는 표본 흔들림 범위

제공 파일

요구사항

• llama.cpp: b9180 이상 (qwen35 구조는 b7990부터 지원, 이 파일에 든 MTP(다중 토큰 예측) 층은 b9180(MTP 지원)부터 지원, 예시 명령의 -fa on 옵션 b6325부터)
• 실행 확인: 2026-11-02 b12005(커밋 e0f142d) CUDA 빌드로 NVIDIA B200에서 이 리포의 모든 파일을 전 층 GPU에 올려 실행 — PPL 측정(위 영어 본문 표), 모든 파일에서 짧은 질문 2개(프랑스·대한민국 수도)에 바르게 답함
• 메모리: 선택한 GGUF 파일 크기 + 컨텍스트(-c)만큼의 KV 캐시 (KV 캐시 줄이는 방법은 아래 사용법 참고)
• 입력: 텍스트 전용 — 비전 인코더·투영층 파일(mmproj)이 없어 이미지 입력 불가
• Ollama·LM Studio: 제작 측에서 실행 미확인

사용법

• 파일 받기: hf download axteam/Qwen3.5-4B-GGUF Qwen3.5-4B-Q4_K_M.gguf --local-dir . (아래 -m 명령에 필요, 다른 양자화는 파일명의 Q4_K_M만 변경)
• 서버 실행: llama-server -hf axteam/Qwen3.5-4B-GGUF:Q4_K_M -c 8192 --jinja — OpenAI 호환 API
• 터미널 대화: llama-cli -m Qwen3.5-4B-Q4_K_M.gguf -c 8192 --jinja
• Ollama: ollama run hf.co/axteam/Qwen3.5-4B-GGUF:Q4_K_M
• LM Studio: 모델 검색에서 axteam/Qwen3.5-4B-GGUF 입력 후 양자화 단계 선택
• KV 캐시 절감(선택): --cache-type-k q8_0 --cache-type-v q8_0 -fa on — KV 캐시 약 절반, GGUF 파일과 상관없이 실행 시 지정

라이선스

• 라이선스: Apache-2.0 — 원본 모델의 라이선스를 그대로 따름
• 권리: 원본 가중치·토크나이저는 Qwen 팀(Alibaba) 소유, 이 리포는 양자화 파생물