大伙儿对最近Reddit LocalLLM社区中很火的Ternary Bonsai 27B怎么看？
-
看了下，作者自述的性能如下：
但他这个性能描述有很大的不合理之处。至少是benchmark的选型不合理。
他自述Gemma-4-31B FP16的能力是Qwen3.6-27B FP16的 99.4%。但任何benchmark网站都不支持此结论。
比如：https://artificialanalysis.ai/models/comparisons/qwen3-6-27b-vs-gemma-4-31b
基于此，作者对于其27B模型是Qwen3.6-27B FP16的94.6%的结论至少是值得探讨的。
虚心交流，一起进步
-
看了下，作者自述的性能如下：
但他这个性能描述有很大的不合理之处。至少是benchmark的选型不合理。
他自述Gemma-4-31B FP16的能力是Qwen3.6-27B FP16的 99.4%。但任何benchmark网站都不支持此结论。
比如：https://artificialanalysis.ai/models/comparisons/qwen3-6-27b-vs-gemma-4-31b基于此，作者对于其27B模型是Qwen3.6-27B FP16的94.6%的结论至少是值得探讨的。
-
@kop-wang 也就是说实际效果可能更差，可能只有部分任务的情况下才能达到宣称的效果？可惜运行需要自己编译llama.cpp，再加上我的卡是R9700 ROCm，之前一阵折腾，才搞好。跑这个实际测试一遍对我来说还是有难度的。
-
说实话，本地老老实实Qwen3.6 27b，跟着版本走就对了，未来很长一段时间，Qwen就是本地天花板代名词，小作坊是不可能干的过阿里这样的大企业的。在线就是Deepseek V4 Flash，高端的就上A O两家的模型，过分折腾耽误做事。
-
qwen 3.6 27b 稳定性好。速度还行。
跟着论坛用了3090 长上下文的。148k 稳定驱动 hermes 。没有问题。
但vison 模式 只有50k上下文，目前还没有解。 -
核心的参数如下，我是成功开启WMMA以后速度才狂飙起来的（以前也就2200左右，R9700），PP跑分能到3800tps，tp57左右，好爽。实际用Agent调用大概在2800tps，tp单槽49，双槽并行总共大概60tps。
记得要用对聊天模板，Agent场景这个非常重要。模型与模板：
Bash
--model /models/Ornith-1.0-35B-Q5_K_M.gguf
--mmproj /models/mmproj-35B-A3B-Q8_0.gguf
--alias Ornith-35B-WMMA
--chat-template-file /app/chat_template_ornith.jinja服务端：
copy
--host 0.0.0.0
--port 8080KV Cache：
copy
--cache-type-k q8_0
--cache-type-v q8_0
--ctx-size 524288 ← 512K批处理：
copy
--batch-size 1024
--ubatch-size 1024
--flash-attn on
--n-gpu-layers 99并行槽位：
copy
--parallel 2
--slot-prompt-similarity 0.50
--cache-reuse 1采样参数：
copy
--temp 0.6
--top-p 0.95
--top-k 20
--repeat-penalty 1.1
--frequency-penalty 0.1
--predict 8192视觉：
copy
--image-min-tokens 1536性能 Tuning：
copy
--poll 100
--poll-batch 1
--prio-batch 3 -
核心的参数如下，我是成功开启WMMA以后速度才狂飙起来的（以前也就2200左右，R9700），PP跑分能到3800tps，tp57左右，好爽。实际用Agent调用大概在2800tps，tp单槽49，双槽并行总共大概60tps。
记得要用对聊天模板，Agent场景这个非常重要。模型与模板：
Bash
--model /models/Ornith-1.0-35B-Q5_K_M.gguf
--mmproj /models/mmproj-35B-A3B-Q8_0.gguf
--alias Ornith-35B-WMMA
--chat-template-file /app/chat_template_ornith.jinja服务端：
copy
--host 0.0.0.0
--port 8080KV Cache：
copy
--cache-type-k q8_0
--cache-type-v q8_0
--ctx-size 524288 ← 512K批处理：
copy
--batch-size 1024
--ubatch-size 1024
--flash-attn on
--n-gpu-layers 99并行槽位：
copy
--parallel 2
--slot-prompt-similarity 0.50
--cache-reuse 1采样参数：
copy
--temp 0.6
--top-p 0.95
--top-k 20
--repeat-penalty 1.1
--frequency-penalty 0.1
--predict 8192视觉：
copy
--image-min-tokens 1536性能 Tuning：
copy
--poll 100
--poll-batch 1
--prio-batch 3 -
@Bunsei 除非时间不敏感或者需要质量（其实用v4 flash更好）的时候在开启27B就行。
我发现这个35B的Ornith Q5好强，对于我的用途几乎都能替代flash了。跑分的PP3800/TP57,实际抓日志看Opencode和Zcode还有Hermes的调用大概在PP2900，TP单发50，双发合计60左右，这个体验就很爽了。本地的模型知识不够多和不够新（其实任何参数的模型都一样），所以这个时间配个好用的搜索引擎就哼重要了，付费的EXA或者Searngx（我本地配的质量能到exa的80%左右）。
一套下来体验很好。
-
@Bunsei 除非时间不敏感或者需要质量（其实用v4 flash更好）的时候在开启27B就行。
我发现这个35B的Ornith Q5好强，对于我的用途几乎都能替代flash了。跑分的PP3800/TP57,实际抓日志看Opencode和Zcode还有Hermes的调用大概在PP2900，TP单发50，双发合计60左右，这个体验就很爽了。本地的模型知识不够多和不够新（其实任何参数的模型都一样），所以这个时间配个好用的搜索引擎就哼重要了，付费的EXA或者Searngx（我本地配的质量能到exa的80%左右）。
一套下来体验很好。 -
qwen 3.6 27b 稳定性好。速度还行。
跟着论坛用了3090 长上下文的。148k 稳定驱动 hermes 。没有问题。
但vison 模式 只有50k上下文，目前还没有解。@wwcd2016
27B的话可以考虑这个版本，实测和Q4几乎没区别，速度更快，上下文可以开的更大而且还可以开视觉。
IQ 量化非常强，我感觉只要你做的任务不是特别偏门IQ3XXS版本完全可以替代 Q4，但是注意，只有这个 XXS 版本比较好，我试过它的 XS 版本和 S 版本在某些时候下会输出会蹦还不如这个 XXS 的稳定。我这种魔改版的都是第 3 方的这些人。 每天都在那量化好多模型，他们不可能一个一个测试的，所以如果用模改版的模型的话，还是要自己多测试几个版本，找一个最适合的。
