MoziAier 9B-TQ — 6 GB 显卡跑 150K 上下文的轻量三值量化模型

版本：V1.0 · 权重：1.86 GiB · 发布日期：2026-11-01

📑 概览 · 特性 · 规格 · 快速开始 · 启动 · 参数 · 量化对比 · MTP · 显存 · 部署 · 评测 · 许可证 · 联系 · 致谢

1. 模型概览

MoziAier 9B-TQ 是面向本地私有化部署的 9B 三值量化模型。每个权重压到 {-1, 0, +1}，权重只有 1.86 GiB，却保留 150K 默认上下文与视觉能力，可在 6 GB 显存的消费级显卡上完全离线运行。对话模板已内嵌在主权重中，无需另配。

一句话定位：用一张 6 GB 显卡，在本机跑一个长上下文、能看图、输出格式稳定的中文助手。

与同系列的差异：

相比 27B / 35B，9B-TQ 追求的不是榜单分数，而是最低硬件门槛 + 最长上下文
相比通用 4-bit 量化，三值容器体积更小（1.86 GiB vs 约 5–6 GiB），解码也更快
相比两套上游底座，本版增加了 MoziAier 的行为规则与对话模板

适用人群：个人开发者、无外网环境的团队、想在消费级显卡上做长文档分析的用户。

MoziAier 自研特性

特性	说明
七维思考体系	先判任务复杂度，再动态展开 2 / 5 / 7 维推理，而非套固定模板
Agent LOOP 迭代	复杂任务进入「执行 → 评估 → 调整 → 验证」循环，简单任务自动跳过
Agent 长任务优化	分阶段推进、每阶段带验收判据；结构化输出便于外部任务系统接管
工具调用优化	输出规范的工具调用格式；关闭思考实测成功率 20/20
时效性检索	时效问题明确要求联网检索，不凭记忆作答（需外接工具）
防止死循环	Loop 内置退出规则与收敛判据
体积优势	1.86 GiB 权重，6 GB 显卡跑 150K 上下文

以上为 MoziAier 原创增量。底座权重来自上游开源模型（见 3），整体以 Apache-2.0 分发，归属见 NOTICE。

2. 核心特性

三值量化容器 —— 权重取值只有 -1 / 0 / +1，以 PTQ1.0 容器封装。每生成一个 token 只需读取极少字节，解码速度不受显存带宽严重限制。

结构化输出 —— 先给判型行，再按复杂度展开七维思考，复杂任务进入 Loop：

层级	适用场景	展开维度
简单问答	名词解释、事实查询、翻译、摘要	2 维
分析诊断	数据分析、报告解读、方案评估	5 维
复杂任务	代码开发、架构设计、多步流程	7 维 + Loop

七维：① 理解任务 ② 复杂度评估 ③ 依赖关系 ④ 风险评估 ⑤ 资源需求 ⑥ 验收标准 ⑦ 执行策略

超长上下文 —— 默认 150K（153,600 tokens），最大 256K（256,000）。可一次读完整本书或中等规模代码库。最低 16K：系统提示渲染后约 8,884 tokens，4K 会报错 request (8884 tokens) exceeds the available context size。

视觉输入 —— 通过 mmproj 投影器（Q8_0，595 MB）支持图片。🔴 必须用 Q8_0 版本，BF16 版本在并发图片请求下会崩溃。

拒绝编造 —— 被问到不存在的历史记录时回答「我这边查不到」，而不是编一个答案。私有化场景下，编造比说不知道危害更大。

3. 技术规格

项目	规格
底座	`Qwen3.5-9B`（预训练）+ `Ternary-Bonsai-2-9B`（三值量化基座）
参数量	9B（Dense）
量化方式	三值（-1 / 0 / +1），PTQ1.0 容器（GGUF type 143）
权重文件	1,997,527,168 B（1.86 GiB，HF 页面显示约 2.0 GB）
上下文	默认 150K（153,600）/ 最大 256K（256,000）
最低上下文	16K（系统提示约 8,884 tokens）
视觉	mmproj-Q8_0（595 MB）
思考模式	默认关闭（推荐，必须）
推理框架	llama.cpp 三值专用构建（Prism 血统，MIT；官方原版不支持），见 10.1
推理速度	R9700 / ROCm / 150K：121.1 tok/s
评测环境	AMD Radeon AI PRO R9700（32 GB）/ ROCm 7.13

能力边界：本地私有化部署、长文档分析（150K–256K）、视觉问答（需 mmproj）、结构化输出、中英双语（中文优先）、工具调用（关闭思考成功率 100%）。

4. 快速开始

⚠️ 本模型需要 2 个文件。缺视觉投影器则无法读图；对话模板已内嵌在主权重里，不需要另外准备。

MoziAier-9B-TQ-V1.0-Q2_0-PTQ1_0.gguf   ← 主权重（必需，1.86 GiB，已内嵌 MoziAier 模板）
moziAier-9B-TQ-V3.5-mmproj-Q8_0.gguf    ← 视觉投影器（必需，595 MB，必须 Q8_0）

平台	地址
HuggingFace	chenyumo/MoziAier-9B-TQ
ModelScope	chenyumo/MoziAier-9B-TQ

📁 两个文件都位于仓库的 V1.0/ 目录。

对话模板已内嵌：MoziAier 模板（26,492 字符）写在 tokenizer.chat_template 里。不需要下载任何外部模板文件，也不需要传 --chat-template-file。

把两个文件放进同一目录，执行 5.1 的命令，浏览器打开 http://localhost:8080 即可对话。客户端务必带 enable_thinking: false（见 6.2），否则 content 恒为空。

5. 启动命令

5.1 完整启动命令

llama-server \
  --model MoziAier-9B-TQ-V1.0-Q2_0-PTQ1_0.gguf \
  --mmproj moziAier-9B-TQ-V3.5-mmproj-Q8_0.gguf \
  --ctx-size 153600 \
  --cache-type-k q4_0 --cache-type-v q4_0 \
  --flash-attn on --n-gpu-layers 999 --parallel 1 \
  --batch-size 2048 --ubatch-size 512 --threads 28 \
  --jinja --reasoning off \
  --host 0.0.0.0 --port 8080 \
  --temp 0.7 --top-p 0.8 --top-k 20 --min-p 0.0 \
  --presence-penalty 1.5 --repeat-penalty 1.0 --repeat-last-n 64 \
  --n-predict 65536

💡 --reasoning off 与服务端思考开关有关。漏掉它、客户端又没传 enable_thinking: false 时，token 会全部用在思考上，正文为空（finish_reason=length），表现为「所有答题都失败」——容易被误判成模型退化。

5.2 Windows 单行形式

上面的 \ 是 Linux/macOS 的续行符，cmd 与 PowerShell 直接粘贴会报错。Windows 用一行：

llama-server --model MoziAier-9B-TQ-V1.0-Q2_0-PTQ1_0.gguf --mmproj moziAier-9B-TQ-V3.5-mmproj-Q8_0.gguf --ctx-size 153600 --cache-type-k q4_0 --cache-type-v q4_0 --flash-attn on --n-gpu-layers 999 --parallel 1 --batch-size 2048 --ubatch-size 512 --threads 28 --jinja --reasoning off --host 0.0.0.0 --port 8080 --temp 0.7 --top-p 0.8 --top-k 20 --min-p 0.0 --presence-penalty 1.5 --repeat-penalty 1.0 --repeat-last-n 64 --n-predict 65536

🔧 --threads 按你的 CPU 物理核心数改（示例里的 28 是测试机数值，不是推荐值）；不确定就删掉这个参数，llama.cpp 会自动选。

5.3 三个必须解释的参数

参数	值	为什么必须这么设
`--parallel`	1	默认 4，会把上下文均分，150K 变成每槽 37K
`--cache-type-k/v`	q4_0	KV cache 量化，显存占用约减半；f16 会撞显存单片上限
`--flash-attn`	on	长上下文必需；关闭后三值 kernel 不生效，输出退化成基座行为

5.4 按任务调上下文

场景	`--ctx-size`
日常对话（推荐默认）	153600
复杂任务 / 整库分析	256000（需 8 GB 以上显存）
最小可用	16384（低于此值无法加载系统提示）

6. 推荐推理参数

6.1 三套出厂预设

按「温度光谱」设计三档。9B 三档一律关闭思考（实测开启会死循环，见 6.3）。

档位	上下文	temperature	top_p	top_k	min_p	presence_penalty	思考
办公 / 日常	150K	0.7	0.80	20	0	1.5	关
灵感 / 创意	256K	1.1	0.90	40	0.02	0.3	关
编程 / 严谨	256K	0.4	0.90	20	0	0.3	关

通用参数三档一致：repeat_penalty 1.0 / repeat_last_n 64 / flash_attn on / kv_cache q4_0。

办公 = 上游 Prism Instruct 档，稳定输出，适合文档与问答
创意 = 在 Thinking 档基础上提 0.1（temp 1.1）+ top_k 40，但 top_p 收到 0.90（27B 是 0.95）—— 9B 不能开思考，更高发散度没有对等收益，反而容易跑偏
编程 = 比通常的 0.6 更严谨（0.4），适合代码与精确计算

6.2 客户端必须传的参数

{ "chat_template_kwargs": { "enable_thinking": false } }

这是最容易漏的一条。 不传时全部输出落在 reasoning_content，content 恒为空——所有依赖 content 的调用都会判 0 分。服务端参数不能替代它（--reasoning-budget 0 也不行）。

6.3 9B 必须关闭思考

配置	Agent 150 题	现象
关闭（出厂默认）	146/150 = 97.3%	平均 2.3 轮，撞 8 轮 2 次，373s
开启（medium）	122/150 = 81.3%	死循环，28 题正文全空，1845s（5 倍）

原因：9B 规模不足以控制思考长度，max_tokens 给到 8000 也会被吃满、正文 0 字符，finish_reason=length。上游只给 27B 提供了 thinking_budget_tokens。

27B 结论相反：开思考 93.3% > 关思考 92.0%。两个模型不能套用同一套建议。

7. 量化格式对比

项	本版（PTQ1.0 三值）	Q4_K_M
权重体积	1.86 GiB	5.38 GB
256K 上下文显存	6.73 GiB（Total Committed）	13.59 GiB（Dedicated）
跑满 150K 的最低显卡	6 GB	12 GB（临界）
跑满 256K 的最低显卡	8 GB	16 GB 以上
decode（生成）	121.1 t/s（150K）	8.19 t/s（100K）
官方 llama.cpp 加载	❌ 需专用构建	✅ 直接支持

两种显存口径不同（Total Committed 含 reserved），不可逐位相减；速度来自不同批次与上下文档位，仅作量级参考。

三值容器的优势是体积与解码速度；Q4_K_M 的优势是生态成熟——可直接用官方 llama.cpp / Ollama / LM Studio 加载。

8. MTP 推测解码

本版不含 MTP —— 而且 9B 这条线实测表明它不该开。

本版权重使用 PTQ1.0 容器，不含 MTP 张量（无 blk.32.nextn.*），无法启用推测解码，也不需要配置相关参数。

实测（在带 MTP 层的 PQ2_0 容器上）：关闭 121.1 tok/s → 开启 104.5 tok/s，−13.7%。9B 主模型本身够快，草稿解码的调度与验证开销占比过高，把接受率带来的收益全吃掉了。

与 27B 相反：27B 慢（47.3 → 61.2 tok/s，+29.4%，接受率 57.19%），省下的 decode 步数足够填平开销。原因很简单——主模型速度差 2.5 倍就是分水岭。

想在 9B 上自己试，需要带 MTP 张量的 9B 容器（本版没有），且 MTP 层精度必须 ≥ Q5（误差 ≤5.3%）。低于此阈值接受率直接归零，比不开还慢。MTP 层的完整精度谱与体积归因见 27B-TQ 说明书。

9. 显存配置建议

实测值，口径为 Windows「专用 GPU 内存」的 Total Committed（含 reserved），与任务管理器一致。按进程级 Dedicated Usage 读取时 150K 约 5.17 GiB，两种口径相差约 2%。选卡以 Total Committed 为准。

上下文	显存（Total Committed）	最低显卡
150K（默认）	5.26 GiB	6 GB
200K	6.33 GiB	8 GB
256K（最大）	6.73 GiB	8 GB

经验拟合：显存(GiB) ≈ 3.12 + 0.01444 × 上下文(K)，每增加 50K 约多占 0.72 GiB。200K 实测点略高于拟合线，以实测为准。

显卡显存	可跑上下文	说明
6 GB	150K	最低门槛，余量约 0.7 GB（RTX 3060 6G / RX 6600）
8 GB	256K	余量约 1.3 GB（RTX 4060 8G / RX 7600）
12 GB 以上	256K	无压力，可留视觉与并发余量

💡 显存不足时先降 --ctx-size，不要降 --parallel（那会切分上下文）。

10. 部署方式

方式	支持	说明
llama.cpp（三值专用构建）	✅ 推荐	唯一支持的路径
llama.cpp（官方原版）	❌	无法加载 PTQ1_0 容器
Ollama / LM Studio / Jan	❌	内置引擎为官方 llama.cpp，不认三值容器

三值容器需要专门的推理后端。若工作流依赖 Ollama 或 LM Studio，需等其内置引擎支持该格式。

10.1 关于推理引擎

本模型权重是 GGUF 类型 PTQ1_0（type 143）——上游定义、标准 llama.cpp 不支持的私有扩展类型。

来源	说明
`PrismML-Eng/llama.cpp`（`prism` 分支）	上游实现，MIT。实测数据即在该血统的 `b10826` 上取得。发布页
MoziAier 品牌化构建	基于上游的 fork，仅重命名程序与文档，MIT，未改动内核逻辑

版本要求：PTQ1_0 支持自 b10658 起，建议 b10826 或更新。用不支持的构建加载可能不报错，但输出会退化成基座行为。

平台支持（只列实测跑通的组合）：

系统	后端	状态	说明
Windows 10 / 11	AMD ROCm（HIP）	✅ 已验证	256K 长上下文唯一可行
Windows 10 / 11	Vulkan	✅ AMD 实测通过	100K–150K 稳定，256K 会崩
Windows 10 / 11	CPU	✅ 已验证	速度慢，用于验收与兜底
Windows + NVIDIA	CUDA 12.4 / 13.3	⚠️ 已下载校验，未实测	两台测试机都是 AMD
Linux / macOS	—	⚠️ 本团队未构建	可按 `prism` 分支自建

Windows + AMD 是唯一由我们实测背书的组合，不承诺「全平台开箱即用」。重新分发该构建请随附其 LICENSE 与归属声明（MIT 强制要求）。

10.2 搭配 MoziAier 桌面软件（推荐）

官方桌面客户端：下载 → 选模型 → 启动，不需要敲任何命令行。

能力	说明
一键部署 9B-TQ	自动配好上下文、KV 量化、显存分档、并行度与推理引擎
专门适配	预设按 9B-TQ 实测显存曲线标定（150K / 256K 两档），默认关思考并透传 `enable_thinking: false`
多模型统一管理	也支持挂载其他本地 GGUF 模型，同一界面切换、看显存、管自启
本地优先	对话与文件不出本机

官网：www.moziaier.com

⚠️ 别和 Ollama / LM Studio 混用——它们不认 PTQ1_0 容器，加载会失败或输出退化。

11. 评测结果

自建评测，不是第三方榜单。 两套题库并行，环境 R9700 / ROCm / 150K，关闭思考（出厂默认）。

11.1 Agent 任务 150 题：97.3%

类别	得分	通过率
MCP 调用 / 安全边界 / 数据库 CRUD / 综合任务 / 错误恢复 / 数据库结构 / 文件读取 / 文件搜索	各 15/15	100%（八类）
DSH 工具能力	14/15	93%
文件写入	12/15	80%
合计	146/150	97.3%

平均 2.3 轮、撞 8 轮 2 次、总耗时 373s。两处不是满分：文件写入 80%（多步写文件偶有漏项）、DSH 工具 93%。

11.2 六维基础能力 120 题：86%

维度	得分	通过率
七维思考	20/20	100%
身份认同 / Loop 纪律	各 18/20	90%
检索诚实	17/20	85%
工具认知	16/20	80%
记忆诚实	14/20	70%
合计	103/120	86%

七维思考满分；记忆诚实 70% 是真实短板（不是判据问题）：被问到不存在的历史记录时，有时会给出一个像是记录的回答，而不是明确说「查不到」。这是 9B 相对 27B 最明显的差距（27B 该项 95%）。

11.3 版本演进

六维版本	总分	关键变化
初版	72%	—
v3	82%	工具认知 9 → 16
v4	85%	身份认同 15 → 18
v5（本版）	86%	定稿

速度：R9700 / ROCm / 150K = 121.1 tok/s（关闭 MTP）。

12. 许可证

本模型以 Apache License 2.0 分发，可免费商用。

权重上游组件（Qwen3.5-9B、Ternary-Bonsai-2-9B）同为 Apache-2.0；推理引擎为 MIT（见 10.1）。归属见 NOTICE，修改声明见 MODIFICATIONS.md，全文见 LICENSE。

13. 联系方式

HuggingFace：@chenyumo · GitHub：@chenyumo166
微博：@rimochen · 邮箱：263515@qq.com

特别鸣谢

本模型站在两个开源团队的工作之上：

感谢 Qwen 团队（阿里巴巴） —— Qwen3.5-9B 是整条技术路线的起点。预训练底座的扎实程度决定了三值量化后还能剩多少能力；Apache-2.0 的开放许可让小团队也能在此基础上探索。
感谢 PrismML-Eng —— Ternary-Bonsai-2-9B 提供了可直接使用的三值基座，llama.cpp 的 prism 分支让 PTQ1_0 容器真正跑得起来。本文档所有实测数据都来自这条血统。
感谢 ggml / llama.cpp 社区 —— MIT 许可下的本地推理地基。

我们与以上团队无隶属、赞助或背书关系，名称仅用于说明技术来源。若本模型对你有帮助，也请给这些上游项目一个 star。

上游许可声明 / Upstream License Notice

License: Apache License 2.0 — authoritative text: LICENSE. The weights are distributed under Apache-2.0 (upstream Qwen3.5-9B and Ternary-Bonsai-2-9B are Apache-2.0; MoziAier's own additions are likewise Apache-2.0). The inference engine (llama.cpp / Prism lineage) is MIT licensed and distributed separately. Attribution: NOTICE; modifications: MODIFICATIONS.md.