How to use from
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 mikelalda/qwen27b_alia_tuned-GGUF:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf mikelalda/qwen27b_alia_tuned-GGUF:Q4_K_M
Install from WinGet (Windows)
winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf mikelalda/qwen27b_alia_tuned-GGUF:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf mikelalda/qwen27b_alia_tuned-GGUF:Q4_K_M
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 mikelalda/qwen27b_alia_tuned-GGUF:Q4_K_M
# Run inference directly in the terminal:
./llama-cli -hf mikelalda/qwen27b_alia_tuned-GGUF:Q4_K_M
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 mikelalda/qwen27b_alia_tuned-GGUF:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf mikelalda/qwen27b_alia_tuned-GGUF:Q4_K_M
Use Docker
docker model run hf.co/mikelalda/qwen27b_alia_tuned-GGUF:Q4_K_M
Quick Links

qwen27b_alia_tuned — GGUF

mikelalda/qwen27b_alia_tuned modeloaren GGUF esportazioa, llama.cpp, Ollama eta LM Studiorekin exekutatzeko.

Modeloari buruzko informazio osoa — entrenamendu-datuak, hiperparametroak, prompt-formatuak eta mugak — oinarrizko modeloaren fitxan dago. Hemen esportazioari dagokiona baino ez.

Egoera: ebaluatu gabe. Ez da benchmarkik exekutatu, ez modelo honekin ez kuantizatu gabekoarekin.


Fitxategiak

Fitxategia Kuantizazioa Tamaina
qwen27b-alia-q4_k_m.gguf Q4_K_M 16,8 GB

Q4_K_M-k Q6_K erabiltzen du attention.wv eta feed_forward.w2 tentsoreen erdietan, eta Q4_K gainerakoetan. Kalitatearen eta tamainaren arteko oreka gomendatua da.

Xehetasun teknikoak: 866 tentsore, qwen35 arkitektura, 248.320 tokeneko hiztegia.


Erabilera

Txat-txantiloia GGUF fitxategian bertan dago txertatuta, beraz ez duzu Modelfile-rik edo txantiloi gehigarririk behar.

llama.cpp

llama-cli -m qwen27b-alia-q4_k_m.gguf -cnv \
  -p "Itzultzaile profesionala zara. Eres un traductor profesional."

Zerbitzari gisa:

llama-server -m qwen27b-alia-q4_k_m.gguf -c 4096

-c 4096 entrenamenduko sekuentzia-luzerarekin bat dator.

Ollama

ollama create qwen27b-alia -f Modelfile

Modelfile:

FROM ./qwen27b-alia-q4_k_m.gguf

Esportazioaren xehetasunak

Bi urratsetan sortua, RAM gutxiko makina batean (14 GiB):

  1. merged_bf16/ → GGUF bf16 (convert_hf_to_gguf.py)
  2. bf16 → Q4_K_M (llama-quantize)

Bitartekaria bf16 da eta ez q8_0, arrazoi praktiko batengatik: token_embd.weight tentsoreak {5120, 248320} forma du — 1.271 milioi elementu — eta Q8_0-ra kuantizatzeko float32-n materializatu behar da, 5,1 GB asignazio bakarrean. bf16-ra kopia zuzena da, memoriaren erdia.


Mugak

Oinarrizko modeloaren muga guztiak heredatzen ditu — HiTZ/RAG_eu benchmarkarekin ebaluatzeko ezintasuna eta epoka partziala barne. Irakurri modelo nagusiaren fitxa erabili aurretik.

Gainera, kuantizazioak berezko degradazioa dakar: Q4_K_M-k kalitatea galtzen du bf16 originalarekin alderatuta, neurtu gabeko kopuru batean.

Downloads last month
59
GGUF
Model size
27B params
Architecture
qwen35
Hardware compatibility
Log In to add your hardware

4-bit

Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for mikelalda/qwen27b_alia_tuned-GGUF

Base model

Qwen/Qwen3.8-27B
Quantized
(1)
this model

Space using mikelalda/qwen27b_alia_tuned-GGUF 1