Instructions to use Davidmg0815/Qwen3.8-27B-MTP-GGUF with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Notebooks
Google Colab
Kaggle
Local Apps Settings

How to use Davidmg0815/Qwen3.8-27B-MTP-GGUF with llama.cpp:

Install (macOS, Linux)

curl -LsSf https://llama.app/install.sh | sh
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf Davidmg0815/Qwen3.8-27B-MTP-GGUF:Q8_0
# Run inference directly in the terminal:
llama cli -hf Davidmg0815/Qwen3.8-27B-MTP-GGUF:Q8_0

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf Davidmg0815/Qwen3.8-27B-MTP-GGUF:Q8_0
# Run inference directly in the terminal:
llama cli -hf Davidmg0815/Qwen3.8-27B-MTP-GGUF:Q8_0

Use pre-built binary

# Download pre-built binary from:
# https://github.com/ggerganov/llama.cpp/releases
# Start a local OpenAI-compatible server with a web UI:
./llama-server -hf Davidmg0815/Qwen3.8-27B-MTP-GGUF:Q8_0
# Run inference directly in the terminal:
./llama-cli -hf Davidmg0815/Qwen3.8-27B-MTP-GGUF:Q8_0

Build from source code

git clone https://github.com/ggerganov/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-server llama-cli
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama-server -hf Davidmg0815/Qwen3.8-27B-MTP-GGUF:Q8_0
# Run inference directly in the terminal:
./build/bin/llama-cli -hf Davidmg0815/Qwen3.8-27B-MTP-GGUF:Q8_0

Use Docker

docker model run hf.co/Davidmg0815/Qwen3.8-27B-MTP-GGUF:Q8_0

LM Studio
Jan

vLLM

How to use Davidmg0815/Qwen3.8-27B-MTP-GGUF with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Davidmg0815/Qwen3.8-27B-MTP-GGUF"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Davidmg0815/Qwen3.8-27B-MTP-GGUF",
		"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/Davidmg0815/Qwen3.8-27B-MTP-GGUF:Q8_0

Ollama
How to use Davidmg0815/Qwen3.8-27B-MTP-GGUF with Ollama:
```
ollama run hf.co/Davidmg0815/Qwen3.8-27B-MTP-GGUF:Q8_0
```

Unsloth Studio

How to use Davidmg0815/Qwen3.8-27B-MTP-GGUF with Unsloth Studio:

Install Unsloth Studio (macOS, Linux, WSL)

curl -fsSL https://unsloth.ai/install.sh | sh
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for Davidmg0815/Qwen3.8-27B-MTP-GGUF to start chatting

Install Unsloth Studio (Windows)

irm https://unsloth.ai/install.ps1 | iex
# Run unsloth studio
unsloth studio -H 0.0.0.0 -p 8888
# Then open http://localhost:8888 in your browser
# Search for Davidmg0815/Qwen3.8-27B-MTP-GGUF to start chatting

Using HuggingFace Spaces for Unsloth

# No setup required
# Open https://huggingface.co/spaces/unsloth/studio in your browser
# Search for Davidmg0815/Qwen3.8-27B-MTP-GGUF to start chatting

How to use Davidmg0815/Qwen3.8-27B-MTP-GGUF with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf Davidmg0815/Qwen3.8-27B-MTP-GGUF:Q8_0

Configure the model in Pi

# Install Pi:
npm install -g @earendil-works/pi-coding-agent
# Add to ~/.pi/agent/models.json:
{
  "providers": {
    "llama-cpp": {
      "baseUrl": "http://localhost:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "models": [
        {
          "id": "Davidmg0815/Qwen3.8-27B-MTP-GGUF:Q8_0"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use Davidmg0815/Qwen3.8-27B-MTP-GGUF with Docker Model Runner:
```
docker model run hf.co/Davidmg0815/Qwen3.8-27B-MTP-GGUF:Q8_0
```

Lemonade

How to use Davidmg0815/Qwen3.8-27B-MTP-GGUF with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull Davidmg0815/Qwen3.8-27B-MTP-GGUF:Q8_0

Run and chat with the model

lemonade run user.Qwen3.8-27B-MTP-GGUF-Q8_0

List all available models

lemonade list

Hermes Agent

How to use Davidmg0815/Qwen3.8-27B-MTP-GGUF with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf Davidmg0815/Qwen3.8-27B-MTP-GGUF:Q8_0

Configure Hermes

# Install Hermes:
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
hermes setup
# Point Hermes at the local server:
hermes config set model.provider custom
hermes config set model.base_url http://127.0.0.1:8080/v1
hermes config set model.default Davidmg0815/Qwen3.8-27B-MTP-GGUF:Q8_0

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use Davidmg0815/Qwen3.8-27B-MTP-GGUF with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf Davidmg0815/Qwen3.8-27B-MTP-GGUF:Q8_0

Configure OpenClaw

# Install OpenClaw:
npm install -g openclaw@latest
# Register the local server and set it as the default model:
openclaw onboard --non-interactive --mode local \
  --auth-choice custom-api-key \
  --custom-base-url http://127.0.0.1:8080/v1 \
  --custom-model-id "Davidmg0815/Qwen3.8-27B-MTP-GGUF:Q8_0" \
  --custom-provider-id llama-cpp \
  --custom-compatibility openai \
  --custom-text-input \
  --accept-risk \
  --skip-health

Run OpenClaw

openclaw agent --local --agent main --message "Hello from Hugging Face"

Davidmg0815 commited on 11 days ago

Commit

042df0c

verified ·

1 Parent(s): 96b0b63

Upload README.md with huggingface_hub

Browse files

Files changed (1) hide show

README.md +70 -5

README.md CHANGED Viewed

@@ -44,11 +44,17 @@ Datei kann `llama-server` sie nicht als Draft laden.
 Die MTP-Tensoren sind aus den Zielmodellen **entfernt** (`--no-mtp`) und liegen
 ausschließlich in der Draft-Datei. Ziel- und Draft-Datei gehören zusammen.
-**Warum Q8_0 empfohlen ist, obwohl es größer ist:** In der Messung war es
-durchgehend **schneller** als Q6_K — 39,5 gegen 32,8 t/s bei Fließtext, gleiche
-Einstellungen. Die k-Quant-Blockstruktur von Q6_K braucht pro Gewicht mehr
-Rechenschritte zum Entpacken als das schlichtere Q8_0. Mehr Bytes, weniger
-Arbeit. Q8_0 ist also gleichzeitig schneller *und* genauer.
 ## Verwendung
@@ -110,6 +116,65 @@ Fließtext-Dialog liegt bei **rund 1,7×**.
 Deutlich mehr als etwa der Gemma-4-12B-Draft mit 0,5 GB. Wer knapp an VRAM ist,
 muss das einplanen.
 ## Testaufbau
 * 3× NVIDIA RTX 3080 20 GB — **Ampere, SM 8.6**

 Die MTP-Tensoren sind aus den Zielmodellen **entfernt** (`--no-mtp`) und liegen
 ausschließlich in der Draft-Datei. Ziel- und Draft-Datei gehören zusammen.
+**Welches Zielmodell?** Q8_0 ist das genauere, Q6_K das schnellere. Gemessen
+ohne Draft, gleiche Einstellungen, 20 Aufgaben: **Q6_K 23,7 t/s gegen Q8_0
+19,6 t/s** — Q6_K liegt 21 Prozent vorn, weil beim Erzeugen jedes Tokens alle
+Gewichte einmal durch den Speicher müssen und 21 GB nun mal schneller gelesen
+sind als 27 GB.
+> **Korrektur, 15.08.2026.** Eine frühere Fassung dieser Karte behauptete das
+> Gegenteil (»Q8_0 ist durchgehend schneller«). Diese Messung verglich Q8_0
+> *mit* Draft gegen Q6_K *mit* Draft — dort hängt die Rate an der
+> Draft-Trefferquote, nicht an der Dequantisierung, und der Vergleich war
+> damit wertlos. Beim sauberen Vergleich ohne Draft dreht sich das Ergebnis um.
 ## Verwendung
 Deutlich mehr als etwa der Gemma-4-12B-Draft mit 0,5 GB. Wer knapp an VRAM ist,
 muss das einplanen.
+## HumanEval+ — was das Modell tatsächlich kann
+**88,4 % (145 von 164)** für `qwen3.8-27b-Q8_0.gguf`, ohne Reasoning, in
+25,6 Minuten. Bewertet wird durch Ausführen: jede gelieferte Funktion läuft
+gegen den vollständigen Testblock von EvalPlus, der die HumanEval-Originaltests
+um etwa das Achtzigfache erweitert.
+Zur Einordnung, publizierte Werte anderer Modelle:
+| Modell | HumanEval+ |
+|---|---|
+| Phi-4 Reasoning (Microsoft) | 92,9 % |
+| Llama 3 405B Instruct | 89 % |
+| **Qwen3.8-27B Q8_0 — diese Messung** | **88,4 %** |
+| Granite 3.3 8B Base | 86,1 % |
+| Kimi K2 Base | 80,3 % |
+> **Diese Zahl ist nicht eins zu eins mit den Leaderboards vergleichbar.**
+> Drei Abweichungen vom offiziellen EvalPlus-Verfahren: die Aufgabe wird im
+> **Chat-Format** gestellt (»Vervollständige diese Funktion«) statt als reine
+> Textvervollständigung; **Temperatur 0,2** statt greedy; und der Code wird aus
+> Markdown-Zäunen geschält. Jeder Punkt kann einige Prozent bewegen, meist nach
+> oben — Chat-Modelle schneiden im Chat-Format besser ab. Wer vergleichen will,
+> nimmt die Zahl als Hausmessung, nicht als Leaderboard-Eintrag.
+Das Fehlerbild ist gesund: von 19 Fehlschlägen sind **15 AssertionError**, also
+echte Logikfehler. Dazu je ein TypeError, SyntaxError, IndexError und eine
+Zeitüberschreitung. Kein Muster, das auf ein kaputtes Testgerüst hindeutet.
+Die übrigen Varianten (Q6_K, BF16, die Qwen3.6-Reihe) werden gerade gemessen
+und hier nachgetragen.
+## Durchsatz im Vergleich
+![Durchsatz je Variante](bench/durchsatz-hell.png)
+Sieben 27B-Varianten unter identischen Bedingungen — 16K Kontext, eine Session,
+kein Draft, `--tensor-split 1,1,1`, KV-Cache q8_0, Temperatur 0,2:
+| Variante | Größe | Token/s |
+|---|---|---|
+| Qwen3.6-27B Q5_K_M | 19 GB | 26,4 |
+| Qwen3.6-27B Q6_K | 21 GB | 23,9 |
+| **Qwen3.8-27B Q6_K** | 21 GB | **23,7** |
+| Qwen3.6-27B Uncensored Q6_K_P | 22 GB | 23,1 |
+| Qwen3.6-27B UD-Q6_K_XL | 24 GB | 21,1 |
+| **Qwen3.8-27B Q8_0** | 27 GB | **19,6** |
+| **Qwen3.8-27B BF16** | 51 GB | **11,5** |
+Der Zusammenhang ist schlicht: mehr Gigabyte, weniger Token pro Sekunde. Bei der
+Texterzeugung liest die GPU für **jedes einzelne Token** sämtliche Gewichte
+einmal durch — Speicherbandbreite ist die Grenze, nicht Rechenleistung.
+**Die BF16 läuft auf drei RTX 3080 — knapp.** 51,3 GB Gewichte belegen
+16,7 / 16,8 / 17,7 GB der drei Karten, macht 51,2 von 60 GB. Mit 16K Kontext
+bleibt genug für KV-Cache und Puffer. Sie kostet allerdings 40 Prozent Tempo
+gegenüber Q8_0, ohne dass sich in unserem eigenen Aufgabensatz ein
+Qualitätsvorsprung gezeigt hätte — beide scheiterten an derselben einen Aufgabe.
 ## Testaufbau
 * 3× NVIDIA RTX 3080 20 GB — **Ampere, SM 8.6**