Qwen3.6-35B-A3B · NVFP4 (W4A4, FP4)

4-bit quantization of Qwen/Qwen3.6-35B-A3B, produced for efficient vLLM serving. Quantized by axteam.

Revision 2026-11-01 (rebuilt): The MoE router (mlp.gate) and the shared-expert gate are now compensated during AWQ smoothing (checked on every layer against the original: the router rescale matches the norm rescale, median per-channel difference below 2%). The first upload of this repo left the router and the shared-expert gate uncompensated, so tokens were routed to different experts than in the original. If you downloaded this repo before 2026-11-01 07:46:05 UTC (revision 6de6e2c), download it again. The benchmark and fidelity figures on this card were measured on the rebuilt files.

Quantization details

• Scheme — W4A4 — FP4 (E2M1) weights group 16 (FP8 E4M3 scale + per-tensor FP32 global scale), FP4 activations, stored as compressed-tensors nvfp4-pack-quantized.
• Kept in BF16 — the vision tower & projector (model.visual.*), the multi-token-prediction head (mtp.*), all RMSNorms, token embeddings, the LM head, the MoE router (mlp.gate) and shared-expert gate, the entire linear-attention (GatedDeltaNet/SSM) path — FP4 is too coarse for the SSM weights, so the full linear_attn.* stays BF16. Left unquantized to preserve quality (about 9% of all parameters in this build).
• Tokenizer / chat_template / generation_config are identical to the original. config.json is the original plus a quantization_config block.

This is post-training quantization (PTQ) — no retraining. AWQ uses a small calibration set (no gradient) to protect salient weight channels before rounding.

Benchmarks (measured)

Every column was measured with the same harness and settings — lm-evaluation-harness on vLLM, greedy, completion-style prompts without a chat template (0- or 5-shot, as listed in each row). MMLU here is lm-eval's generative variant (mmlu_generative: the model writes the answer letter and only an exact match on the first line counts), so it is not directly comparable with MMLU scores measured another way (e.g. log-likelihood scoring). Percentages are recovery vs. the BF16 original.

Note on MMLU and GSM8K: these tasks are scored on generated text (mmlu_generative, gsm8k strict-match), so the score depends on whether the model answers in exactly the format the scorer expects (for MMLU only a bare answer letter on the first line counts). For this model they swing widely between builds of the same model (MMLU 64.0–74.1; GSM8K 21.5–71.1), and two quantized builds score well above the BF16 original (MMLU: AWQ-4bit 115.0%; GSM8K: AWQ-4bit 233.9%, NVFP4 153.1%). This most likely reflects how each build formats its answers rather than quantization quality, but per-question outputs were not saved, so it was not checked answer by answer. The second average leaves them out.

Evaluation (measured)

Fidelity to the BF16 original on an internal mixed English/Korean set (100 prompts: the BF16 original's greedy answers, scored under each build with the same prompts and scoring code). This build was measured on the rebuilt files with vLLM 0.32 on 2026-11-01; the BF16 reference column was measured on 2026-10-27.

These measure fidelity to the base model, not absolute task scores.

Requirements

Usage (vLLM)

Start an OpenAI-compatible server:

vllm serve axteam/Qwen3.6-35B-A3B-NVFP4 --max-model-len 32768

Query it:

curl http://localhost:8000/v1/chat/completions -H "Content-Type: application/json" -d '{
  "model": "axteam/Qwen3.6-35B-A3B-NVFP4",
  "messages": [{"role": "user", "content": "대한민국의 수도는 어디인가요?"}],
  "temperature": 1.0, "top_p": 0.95, "top_k": 20, "max_tokens": 512
}'

Offline inference in Python:

from vllm import LLM, SamplingParams

llm = LLM(model="axteam/Qwen3.6-35B-A3B-NVFP4", max_model_len=32768)
params = SamplingParams(temperature=1.0, top_p=0.95, top_k=20, max_tokens=1024)
out = llm.chat([{"role": "user", "content": "Explain model quantization in two sentences."}], params)
print(out[0].outputs[0].text)

# image input (URL or data: URI)
messages = [{"role": "user", "content": [
    {"type": "image_url", "image_url": {"url": "https://example.com/your-image.png"}},
    {"type": "text", "text": "Describe this image."},
]}]
out = llm.chat(messages, params)
print(out[0].outputs[0].text)

Recommended sampling (from the original generation_config.json): temperature=1.0, top_p=0.95, top_k=20. Thinking mode is on by default in the chat template; to turn it off pass chat_template_kwargs={"enable_thinking": False} (Python llm.chat(..., chat_template_kwargs=...), or "chat_template_kwargs": {"enable_thinking": false} in the request body). Text-only serving: add --limit-mm-per-prompt '{"image": 0, "video": 0}' to skip loading the vision encoder's memory budget.

Reducing KV-cache memory (optional, serve-time)

The KV cache is kept in BF16 by default. KV-cache precision is a runtime choice, independent of the weight quantization above. This is a hybrid model: only its 10 full-attention layers keep a KV cache, while its 30 linear-attention (Gated DeltaNet) layers keep a fixed-size state per request, which --kv-cache-dtype does not change. FP8 halves the full-attention KV cache, so the saving grows with context length and is small for many short requests:

vllm serve axteam/Qwen3.6-35B-A3B-NVFP4 --kv-cache-dtype fp8

License

Quantized derivative of Qwen/Qwen3.6-35B-A3B (Apache-2.0). All original weights, tokenizer and chat template belong to the Qwen team.

---

한국어 요약

Qwen/Qwen3.6-35B-A3B의 NVFP4 (W4A4) 양자화 빌드 · 제작 axteam

개요

양자화 상세

• 가중치: FP4(E2M1), 그룹 크기 16 (그룹별 FP8(E4M3) 스케일 + 텐서별 FP32 전역 스케일)
• 활성화: 실행 시 FP4 (Blackwell FP4 텐서코어에서 가속)
• 양자화 절차: PTQ(학습 후 양자화, 재학습 없음), AWQ 방식 — 보정 데이터로 활성화가 큰 가중치 채널을 찾아 채널별 스케일로 보호한 뒤 FP4로 반올림
• BF16 유지: 비전 타워·투영층(model.visual.*), MTP 헤드(mtp.*), 모든 RMSNorm, 토큰 임베딩, LM 헤드, MoE 라우터(mlp.gate)와 공유 전문가 게이트, 선형 어텐션(GatedDeltaNet/SSM) 경로 전체(linear_attn.*, FP4로는 정밀도 부족) — 전체 파라미터의 약 9%
• 원본 파일: 토크나이저·chat template·generation config는 원본과 동일, config.json은 원본에 quantization_config 블록만 추가

품질 (실측)

• 원본 대비 충실도: PPL 1.3700 (원본 1.2934, +5.9%, 낮을수록 원본에 가까움), 다음 토큰 top-1 일치율 91.7% (원본 자체 기준값 98.0%) — 내부 영어·한국어 혼합 프롬프트 100개, 원본(BF16)의 greedy 답변을 기준 텍스트로 측정
• 벤치마크 평균: 63.93 (원본 61.09, 104.6%) — MMLU(생성형)·GSM8K·ARC-Challenge·Winogrande·KMMLU·HAE-RAE 6종 평균, lm-evaluation-harness + vLLM, chat template 없는 완성형 프롬프트(과제별 0·5-shot, 표 참고)·greedy, 모든 빌드를 같은 설정으로 측정
• MMLU(생성형)·GSM8K 제외 평균: 67.16 (원본 67.93, 98.9%) — MMLU(생성형)·GSM8K는 생성한 답이 채점기가 기대하는 형식 그대로여야 점수가 나는 과제; 이 모델에서는 같은 모델의 빌드끼리 MMLU(생성형) 64.074.1·GSM8K 21.571.1로 크게 흔들리고 양자화 빌드 2개가 원본보다 크게 높음(MMLU(생성형): AWQ-4bit 115.0%; GSM8K: AWQ-4bit 233.9%·NVFP4 153.1%), 답 형식 차이로 보이나 문항별 출력을 저장하지 않아 문항 단위로는 확인하지 않음
• 한국어 벤치마크: KMMLU 64.09 (원본 65.14, 98.4%) · HAE-RAE 74.06 (원본 74.89, 98.9%)
• MMLU 방식: lm-eval 생성형 변형(mmlu_generative) — 모델이 답 글자를 생성하고 첫 줄이 정확히 일치해야 정답으로 채점하므로, 다른 방식(예: log-likelihood 채점)으로 잰 MMLU 점수와 직접 비교 불가

요구사항

• 실행 엔진: vLLM 0.17.0 이상(이 구조를 지원하는 첫 버전), 이 빌드는 vLLM 0.32.0에서 실행 확인
• vLLM 0.32 설치 조건: Python 3.11~3.14, torch 2.13(CUDA 13.0 빌드, CUDA 13 지원 드라이버 필요), transformers 5.16.1 이상 5.20 미만, compressed-tensors 0.17.0 — transformers·compressed-tensors는 vLLM이 버전을 고정하므로 compressed-tensors를 따로 업그레이드하지 말 것 (이 체크포인트는 0.19.0으로 저장됐지만 0.17.0에서도 로드됨)
• GPU: Blackwell(B200·GB200 sm100, B300 sm103, RTX 50xx·RTX PRO 6000 sm120)에서 FP4(W4A4) 연산 가속, V100(sm70) 미지원 — TuringHopper(sm7590)는 가중치 전용 FP4로 자동 전환되어 속도 저하, vLLM 경고 출력 (GPU별 지원 여부는 vLLM 0.32 커널 선택 코드 기준, 실제 실행은 B200에서만 확인)
• 메모리: 가중치 25.0 GB + KV 캐시(컨텍스트 길이 × 동시 요청 수에 비례) + 활성화·CUDA graph용 수 GB — GPU 한 장에 다 들어가지 않으면 --tensor-parallel-size N으로 분산
• Transformers로 직접 사용: 불가 — 이 형식의 전문가별 4비트 가중치를 5.22.1까지의 MoE 로더가 합치지 못함 (Qwen3.6-35B-A3B AWQ-4bit·NVFP4A16 빌드의 앞 2개 층으로 확인, 이 리포 자체는 Transformers 로드 미실행), vLLM 사용
• trust_remote_code: 불필요

사용법

• 서버 실행: vllm serve axteam/Qwen3.6-35B-A3B-NVFP4 --max-model-len 32768 — OpenAI 호환 API
• Python: LLM(model="axteam/Qwen3.6-35B-A3B-NVFP4", max_model_len=32768).chat(...) — 전체 예시는 위 영어 본문 'Usage (vLLM)' 절 참고
• 권장 샘플링: temperature=1.0, top_p=0.95, top_k=20 (원본 generation_config.json 기준)
• thinking 모드: 기본 켜짐 — 끄려면 chat_template_kwargs={"enable_thinking": False} 전달(Python은 llm.chat() 인자, HTTP는 요청 본문의 "chat_template_kwargs": {"enable_thinking": false})
• 이미지 입력: 메시지에 image_url 항목 사용
• 텍스트만 사용할 때: --limit-mm-per-prompt '{"image": 0, "video": 0}' — 비전 타워용 메모리 예약을 생략해 메모리 절약
• KV 캐시 절감(선택): vllm serve에 --kv-cache-dtype fp8 추가 — 하이브리드 구조라 KV 캐시는 풀 어텐션 10개 층에만 있고, 선형 어텐션(Gated DeltaNet) 30개 층의 요청별 고정 크기 상태는 이 옵션으로 바뀌지 않음 → 풀 어텐션 KV 캐시만 절반으로 줄어 긴 컨텍스트에서 효과가 크고 짧은 요청이 많을 때는 작음 (가중치 양자화와 별개인 실행 옵션)

참고

• 수정 이력 (2026-11-01, 재양자화): MoE 라우터(mlp.gate)·공유 전문가 게이트에 AWQ 상쇄 스케일 적용 (모든 층에서 원본 대비 라우터 배율이 norm 배율과 일치함을 확인, 채널별 차이 중앙값 2% 미만) — 이전 업로드의 결함: 첫 번째 업로드는 라우터·공유 전문가 게이트 상쇄 누락으로 원본과 다른 전문가 선택 — 2026-11-01 07:46:05 UTC(리비전 6de6e2c) 이전에 받았다면 다시 받을 것, 품질 항목의 벤치마크·충실도는 재양자화 빌드로 잰 값

라이선스

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