Kataguru Titan v3.2 GGUF (IQ3_XXS, IQ4_XS & IQ4_NL)

Virallinen Työpöytä- ja Reunalaitelippulaiva – 63.13 % GPQA Diamond, 85.61 % IFEval, 93.86 % GSM8K

1. Mitä Kataguru muutti? (Yhteenveto)

Katagurun virallinen tuotantotason GGUF-julkaisu laivastolippulaivasta Kataguru Titan-v3.2 (Checkpoint-125). Soveltuu paikalliseen ja tehokkaaseen ajoon (LM Studio, llama.cpp, Ollama).

Kenttä	Kuvaus / Arvo
Lähtöpohja (Foundation Base)	`kataguru/Qwen3.8-27B-Titan-v3.0-CP4000-BF16` + Checkpoint-125 (jatkokoulutus)
Katagurun jatkokoulutus	Autonominen agenttisuus, MiniCPM-5 / Qwen3 XML -työkalukutsut, syvä ihmisymmärrys ja somatiikka (32 282 auditoitua näytettä)
Kvantisointistandardi	Virallinen imatrix-optimoitu sarja: `IQ3_XXS`, `IQ4_XS` ja `IQ4_NL`
Visio / Multimodaalisuus	`mmproj-Qwen3.8-27B-Titan-v3.2-f16.gguf` (889 Mt) tukee täyttä kuva-analyysiä
Kontekstin pituus	Natiivi 262 144 tokenia (262k)
Episteeminen rehellisyys	SOMA/ARA -aktivointiortogonalisoitu, nolla teeskentelyä (0.00 % kieltäytymisiä oikeille tehtäville)
Suositeltu ajotapa	LM Studio 0.3+, llama.cpp b11064+, Ollama

2. Viralliset GGUF-Kvantit & Laitteistosuositukset

Tästä mallista julkaistaan kuratoidut huippukvantit:

Tiedosto	Kvantti	Koko	VRAM-suositus	Kuvaus & Käyttökohde
`Qwen3.8-27B-Titan-v3.2-IQ3_XXS.gguf`	`IQ3_XXS`	~11.0 Gt	12 Gt / 16 Gt GPU	Kevyt ja nopea: Mahtuu 12 Gt kortille rajatulla kontekstilla tai 16 Gt kortille laajalla kontekstilla.
`Qwen3.8-27B-Titan-v3.2-IQ4_XS.gguf`	`IQ4_XS`	~15.2 Gt	16 Gt / 24 Gt+ GPU	Standardi i-kvantti: Tasapainoinen laatu ja tehokas suorituskyky 16 Gt kuluttajakortin ylärajaan tai 24 Gt näytönohjaimelle.
`Qwen3.8-27B-Titan-v3.2-IQ4_NL.gguf`	`IQ4_NL`	~15.1 Gt	16 Gt / 24 Gt+ GPU	Huippulaadun epälineaarinen i-kvantti: Non-linear kvantisointitaulukot ja imatrix-optimointi tarjoavat maksimaalisen laadun (lähes häviötön FP16-taso, Q5_K_M-laatuluokkaa).
`mmproj-Qwen3.8-27B-Titan-v3.2-f16.gguf`	`F16`	889 Mt	-	Visioprojektori: Lataa tämä tiedosto LM Studioon / llama-clihin kuva-analyysiä varten.

3. Empiirinen 13 Tehtävän Benchmark-Vertailu

Kaikki mittaustulokset on ajettu standardoidulla lm-evaluation-harness -kehyksellä tuotantoasetuksilla:

#	Tehtävä (Task ID)	Kognitiivinen Alue	Metriikka	1. Qwen 3.8 27B Base	2. Titan v3.0 CP4000	3. Titan v3.2 (CP125)	Delta vs CP4000	Delta vs Base
1	`gsm8k`	Matemaattinen CoT-päättely	`exact_match` (strict)	73.10 %	94.54 %	93.86 %	-0.68 %	+20.76 %
2	`gpqa_diamond`	Tohtoritason STEM (Fysiikka, Kemia, Bio)	Exact Match (Choice)	44.60 %	60.10 %	63.13 % 🏆	+3.03 %	+18.53 %
3	`ifeval`	Ohjelmallinen ohjeiden noudattaminen	Prompt / Inst Strict	35.0 % / 45.0 %	73.94 % / 80.82 %	80.78 % / 85.61 % 🏆	+6.84 % / +4.79 %	+45.78 %
4	`boolq`	Luonnollisen kielen totuuslogiikka	`acc`	89.20 %	91.41 %	91.07 %	-0.34 %	+1.87 %
5	`truthfulqa_mc2`	Episteeminen totuustodennäköisyys	`acc` (multi-true)	51.10 %	55.03 %	54.93 %	-0.10 %	+3.83 %
6	`truthfulqa_mc1`	Faktatarkkuus	`acc` (single-true)	34.60 %	36.72 %	36.96 % 🏆	+0.24 %	+2.36 %
7	`medqa_4options`	Kliininen syvälääketiede (USMLE)	`acc_norm`	82.64 %	84.37 %	83.97 %	-0.40 %	+1.33 %
8	`arc_challenge`	Vaativa STEM-kausaalipäättely	`acc_norm`	66.50 %	65.44 %	65.27 %	-0.17 %	-1.23 %
9	`arc_easy`	Luonnontieteiden perussivistys	`acc`	85.40 %	86.20 %	86.07 %	-0.13 %	+0.67 %
10	`winogrande`	Kontekstuaalinen arkitieto & päättely	`acc`	77.30 %	77.35 %	77.11 %	-0.24 %	-0.19 %
11	`hellaswag`	Kielellinen koherenssi & lausejatkuvuus	`acc_norm`	83.90 %	82.98 %	82.92 %	-0.06 %	-0.98 %
12	`openbookqa`	Tieteellisen tiedon soveltaminen	`acc_norm`	45.10 %	46.20 %	46.60 % 🏆	+0.40 %	+1.50 %
13	`piqa`	Fysikaalisen maailman intuitio	`acc_norm`	81.80 %	82.32 %	82.21 %	-0.11 %	+0.41 %
---	---	---	---	---	---	---	---	---
📊	KESKIARVO (13 tehtävää, Prompt Strict)	Koko kognitiivinen kapasiteetti	Aritmeettinen KA	65.40 %	72.05 %	72.68 % 🏆	+0.64 pp	+7.28 pp
📊	KESKIARVO (13 tehtävää, Inst Strict)	Koko kognitiivinen kapasiteetti	Aritmeettinen KA	66.17 %	72.58 %	73.05 % 🏆	+0.48 pp	+6.89 pp

4. 🌳 Model Tree & Lineage (Kehityspuu)

Qwen/Qwen2.5-Coder-32B / Qwen3.8-27B Base
 │
 └── DavidAU/Qwen3.8-27B-TURBO-Fable-Cold-Fusion-735-882-Heretic-Uncensored-NM-DAU
      │
      └── DavidAU/Qwen3.8-27B-TWIN-TURBO-Fable-Cold-Fusion-709-ULTRA-HERETIC-Uncensored
           │
           ├── kataguru/Qwen3.8-27B-Finnish-Titan-Uncensored (Titan 1.0)
           │
           ├── kataguru/Qwen3.8-27B-Finnish-Titan-v2.0-Uncensored (Titan v2.0)
           │
           ├── kataguru/Qwen3.8-27B-Titan-v3.0-Uncensored (Titan v3.0, Master MLP Transfer)
           │    │
           │    └── Checkpoint-4000 (Titan v3.1, 94.54 % GSM8K, 84.37 % MedQA)
           │         │
           │         └── Checkpoint-125 (Titan-v3.2, Agentic Tools & Human Understanding Continuation)
           │              │
           │              ├── kataguru/Qwen3.8-27B-Titan-v3.2-W4A16-AWQ  [vLLM Lippulaiva]
           │              └── kataguru/Qwen3.8-27B-Titan-v3.2-GGUF        [★ TÄMÄ MALLI - GGUF DUAL-QUANT]
           │
           └── kataguru/Qwen3.8-27B-Titan-v3.0-1M-W4A16-AWQ (1M Context YaRN Variant)

5. Käyttöohjeet (LM Studio & llama.cpp)

LM Studio:

Hae mallia nimellä kataguru/Qwen3.8-27B-Titan-v3.2-GGUF.
Valitse näytönohjaimellesi sopiva kvantti:
- 16 Gt / 24 Gt GPU: Valitse IQ4_NL (korkein laatu) tai IQ4_XS.
- 12 Gt GPU: Valitse IQ3_XXS.
Jos haluat käyttää visiota (kuvia), lataa oheen mmproj-Qwen3.8-27B-Titan-v3.2-f16.gguf.

llama.cpp CLI (Esimerkkikomento):

llama-cli     -m Qwen3.8-27B-Titan-v3.2-IQ4_XS.gguf     --mmproj mmproj-Qwen3.8-27B-Titan-v3.2-f16.gguf     -c 16384     -ngl 99     -p "<|im_start|>user\nKuvaile tämä koodi suomeksi.<|im_end|>\n<|im_start|>assistant\n"