Qwen3.6-35B-A3B APEX I-Balanced + Native MTP head(Lynn 推荐 server-grade 本地版)

这是 Qwen3.6-35B-A3B 的 APEX I-Balanced 量化 + MTP head 完整保留版,在 Lynn GB10 Spark 上实测 think-on 长链 75-85 TPS(无 MTP baseline ~66 TPS),适合 24GB+ 显存 / 32GB+ 内存的本地高质量推理。

定位:端侧 35B 主力,质量接近 BF16,MTP 加速 30% 在 thinking 场景。

English summary: this is the Qwen3.6-35B-A3B model with APEX adaptive-precision MoE quantization (I-Balanced variant) with the vendor-shipped MTP (Multi-Token Prediction) head preserved for use with llama.cpp --spec-type draft-mtp. Lynn-benchmarked on NVIDIA GB10 Spark (sm_121). Pairs with the lighter Lynn-9B-GGUF-imatrix release for the Lynn 4-quadrant matrix's heavyweight local tier.

文件 / Files

量化来源:本仓库 GGUF 来自社区 APEX-quant 流程(adaptive-precision MoE),Lynn 未重新量化,只做 Spark TPS / 集成验证 + 双语 README + 发布镜像。原始量化产物归属社区 APEX-quant project。

为什么选这一档

35B-A3B(35B 总参数 / 3B active expert)是 Qwen 在 2025 端侧推理性价比之王:

• active 3B params → decode 速度跟 dense 3-4B 接近(GB10 Spark 单流 60+ TPS)
• total 35B + 256 experts → quality 大幅超越同 active 参数 dense 模型
• APEX I-Balanced 量化:重要 expert 高精度,边缘 expert 更激进,体积 24GB 适合 32GB+ 内存设备
• vendor MTP head 保留:llama.cpp --spec-type draft-mtp 自动启用 single-stream speculative decoding,thinking 长链路再 +29%

TPS 实测 / Throughput Benchmarks

NVIDIA GB10 Spark(sm_121), llama.cpp build-cuda-sm121 commit b1-5d44db6, 2026-05-23。Single-stream decode TPS via llama.cpp built-in predicted_per_second timing。

本仓库(APEX-MTP,--spec-type draft-mtp 启用)

vs 同硬件 APEX no-MTP 基线

⚠️ 何时启用 MTP

启用:thinking_enabled=true 长链路 reasoning,coding 长输出,长 prompt → +20-30% TPS。

关闭 (--spec-type none):short chitchat / think-off 短答 / tool-call only → MTP 反而 -10%,因为 high-confidence n-gram 命中率低。

Lynn client v0.80+ 会根据 chat_template_kwargs.enable_thinking flag 自动 toggle。

评测摘要 / Benchmark Summary

Vendor official Qwen3.6-35B-A3B BF16:

• MMLU 5-shot: 86.40
• GPQA Diamond thinking-on 32K: ~86 (vendor reports)
• AIME / Math: 80+

Lynn 内部 Q4_K_M-imatrix 同模型实测(memory reference_qwen36_35b_release_numbers_20260519):

• MMLU 500 thinking-off: 83.00%
• GPQA Diamond 198 thinking-off: 50.00%
• thinking-on 32K 数据更高(待补)

APEX-MTP-I-Balanced quality 跟 Q4_K_M-imatrix 同档(都是 ~Q4 bit-depth),MTP head 只加速,不改 quality。

本地使用 / Local Usage

modelscope download --model Merkyor/Qwen3.6-35B-A3B-APEX-MTP-GGUF \
  Qwen3.6-35B-A3B-APEX-MTP-I-Balanced.gguf \
  --local_dir ~/Models/Lynn/Qwen3.6-35B-A3B

llama-server \
  --model ~/Models/Lynn/Qwen3.6-35B-A3B/Qwen3.6-35B-A3B-APEX-MTP-I-Balanced.gguf \
  --host 127.0.0.1 \
  --port 18098 \
  --ctx-size 32768 \
  --parallel 1 \
  --n-gpu-layers 999 \
  --cache-type-k q8_0 --cache-type-v q8_0 \
  --jinja --reasoning auto \
  --spec-type draft-mtp \
  --spec-draft-n-max 4 \
  --flash-attn on

显存预算:模型 24GB + KV cache(32K ctx, q8_0)~8GB ≈ 32GB GPU/unified mem。

OpenAI-compatible endpoint:

base_url = http://127.0.0.1:18098/v1
api_key  = local
model    = qwen36-35b-a3b-apex-mtp

MTP 验证 / MTP Verification

llama-server 启动 log 出现以下行确认 MTP active:

load_model: creating MTP draft context against the target model
common_speculative_impl_draft_mtp: adding speculative implementation 'draft-mtp'
  n_max=4, n_min=0, p_min=0.00, n_embd=2048, backend_sampling=1
speculative decoding context initialized

n_embd=2048 是 Qwen3.6-35B-A3B active expert hidden size(9B 同 head 是 n_embd=4096)。

来源 / Provenance

• 基座 Qwen3.6-35B-A3B:Alibaba Qwen 团队官方发布,Apache 2.0
• APEX 量化:社区 mudler/apex-quant "Adaptive Precision for MoE" 流程,I-Balanced variant(重要 expert 高精度 / 边缘 expert 激进)
• MTP head:Qwen 官方训练,保留进 GGUF
• llama.cpp MTP 支持:upstream src/models/qwen35moe.cpp 的 graph_mtp 实现
• Lynn 工作:Spark TPS benchmark + 集成 + 双语 README + MS/HF 镜像发布

License

Apache-2.0,inherits from base model Qwen/Qwen3.6-35B-A3B. APEX quantized weights distributed under the same Apache 2.0 license per base model terms.

Last updated: 2026-05-23. v1 APEX-MTP release with Lynn TPS benchmarks. Lynn project: https://github.com/MerkyorLynn/Lynn