GGUF quantizations of **CoderX**, a long-horizon code prune of Qwen3.6-35B-A3B: the MoE is reduced from **256 experts to 184** (72 dropped per layer, ~35B→27B, still A3B active). Same expert budget as the sibling Qwen3.6-27B-A3B-Coder, but a different **selection** — same competence map, different keep-set. **Served at top-8** — the base model's native routing, no override needed. No fine-tuning, no distillation. CoderX is **not** a strict upgrade over Coder. It is the long-horizon sibling: far stronger on multi-step competitive-programming work, a tie on short multi-language completion, and its non-code profile is not yet measured. Pick by workload.
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
GGUF quantizations of `ManniX-ITA/Qwen3.6-27B-Omnimerge-v4` — the **MLP-passthrough** variant that defends against the Qwen3.6 think-policy fragility we discovered. Source dtype is BF16; this repo provides the standard bartowski quant ladder (F16 → IQ2_XXS) for `llama.cpp`. > **Source model:** `ManniX-ITA/Qwen3.6-27B-Omnimerge-v4` (BF16 weights, model card with full benchmarks and methodology). > **NOT** a quant of clean Qwen/Qwen3.6-27B — these GGUFs contain the v4 merge. > > **MTP companion (2× decode speedup):** weight-identical GGUFs with the MTP head retained for `llama.cpp --spec-type draft-mtp` self-speculative decoding are at `ManniX-ITA/Qwen3.6-27B-Omnimerge-v4-MTP-GGUF`. Quality is statistically indistinguishable from this repo (HE 137/164 ↔ 137/164, GPQA 155/198 ↔ 154/198); aggregate decode is 2.0-2.3 × faster on a single 24 GB GPU. Use that repo for interactive / single-request workloads where latency matters. All quants made using imatrix with calibration data v5, the same calibration set bartowski uses for the Qwen3.6 base release — so quality fingerprints are directly comparable to bartowski's `Qwen_Qwen3.6-27B-GGUF` repo.
翻訳待ち・原文を表示
入力 テキスト · 画像→ 出力 テキスト
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 テキスト · 画像→ 出力 テキスト
GGUF quantizations of `ManniX-ITA/Qwen3.8-27B-Omnimerge-v6` — a task-arithmetic merge of three Qwen3.6 fine-tunes onto the **Qwen3.8-27B** base — with the **MTP head retained** (`blk.64.*`, 866 tensors) and the F16 vision projector published alongside. 19 tiers. `imatrix.dat` is archived in this repo, so the imatrix tiers are reproducible and auditable. This is a measured policy, not an omission. The imatrix crossover is a property of the quant **grid coarseness**: at the Q4 band and above the calibration bias outweighs importance-weighting and imatrix is neutral-to-harmful; below it (Q3/Q2/IQ) imatrix is the difference between a good quant and a broken one. Measured once per model family on a Q2→Q6 HE+/MPE ladder. So Q4_K_*/Q5_K_*/Q6_K* are built **without** imatrix and everything at Q3 and below — plus the IQ tiers — **with** it. Q8_0 needs none.
翻訳待ち・原文を表示
入力 テキスト · 画像→ 出力 テキスト
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 テキスト
PrismML's Ternary Bonsai 2 27B (a 27B dense model with end-to-end ternary weights, Qwen3.8-27B hybrid backbone, 262K context, Apache-2.0) **with a NextN / MTP draft head bundled in**, so the model self-speculates — no second file, no external drafter. The published PrismML GGUFs carry no NextN layer. These bundles add the upstream Qwen/Qwen3.8-27B MTP head (its `mtp.*` tensors, exported by upstream llama.cpp `convert_hf_to_gguf.py --mtp --outtype q8_0`) as one extra layer; every other key and tensor is the PrismML file, byte for byte. The head stays in the normal basis (it is not among the Hadamard-rotated tensors); its token-embedding lookup on the rotated table gets the inverse transform in the engine (PrismML's `518ad108`). The vision projector is **not** duplicated here: use PrismML's `Ternary-Bonsai-2-27B-mmproj-Q8_0.gguf` (600 MiB) from the base repo with `--mmproj`.
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 テキスト
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
分類準備中
入力 未確認→ 出力 未確認
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
分類準備中
入力 未確認→ 出力 未確認
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 テキスト
**PERFECT for developers who want:** - **Local AI coding assistant** (like Codex but private) - **Function calling without API costs** - **6GB VRAM compatibility** (runs on most gaming GPUs) - **Zero internet dependency** once downloaded - **Ollama integration** (one-command setup)
翻訳待ち・原文を表示
入力 テキスト→ 出力 テキスト
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
分類準備中
入力 未確認→ 出力 未確認
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
分類準備中
入力 未確認→ 出力 未確認
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
分類準備中
入力 未確認→ 出力 未確認
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
分類準備中
入力 未確認→ 出力 未確認
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
分類準備中
入力 未確認→ 出力 未確認
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
分類準備中
入力 未確認→ 出力 未確認
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
分類準備中
入力 未確認→ 出力 未確認
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
分類準備中
入力 未確認→ 出力 未確認
This model card focuses on the model associated with the Stable Diffusion v2-1-base model. This `stable-diffusion-2-1-base` model fine-tunes stable-diffusion-2-base (`512-base-ema.ckpt`) with 220k extra steps taken, with `punsafe=0.98` on the same dataset. - Use it with the `stablediffusion` repository: download the `v2-1_512-ema-pruned.ckpt` here. - Use it with 🧨 `diffusers`
翻訳待ち・原文を表示
入力 テキスト→ 出力 画像
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 テキスト→ 出力 画像
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
基本情報を収録・詳細は順次追加
入力 テキスト→ 出力 テキスト
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
入力 テキスト→ 出力 テキスト
基础档案已收录，详细介绍后续补充。可先查看厂商、分类与来源。
分類準備中
入力 未確認→ 出力 未確認
