Downloads · 30 days
333
81% of all-time downloads
echo
void0x14/echo
echo is a machine learning model from void0x14. Use it for the machine learning task on the model card, and read the license before you ship it in a product. The card lists the license as agpl-3.0.
Hafif, hızlı, kayıpsız multimodal model. AMD RX460 2GB VRAM / Ryzen 5 3600 CPU için optimize. Gated DeltaNet hybrid attention sayesinde KV cache klasik modelin ~4'te 1'i; uzun kontekst düşük donanımda pratik.
All-time downloads
409
Public
Repo size
41.5 GB
Likes
0
Public
Repo makeup
Click a slice to open those files.
.gguf4.8 GB · 100%
At a glance
- License
- agpl-3.0
- Access
- Public
- Created
- Aug 5, 2026
- Updated
- Aug 19, 2026
- SHA
- eae60b4d
Model card
From the Hugging Face model README
echo — Qwen3.5-0.8B Multimodal (Q4_K_M)
Hafif, hızlı, kayıpsız multimodal model. AMD RX460 2GB VRAM / Ryzen 5 3600 CPU için optimize. Gated DeltaNet hybrid attention sayesinde KV cache klasik modelin ~4'te 1'i; uzun kontekst düşük donanımda pratik.
Yaklaşım: Quantize ET — Budama YAPMA
Orijinal Qwen/Qwen3.5-0.8B-Base (native early-fusion multimodal) olduğu gibi Q4_K_M'e quantize edildi.
Budama YOK, yeniden eğitim YOK — kod + vision + reasoning yeteneği kayıpsız korunur.
Neden budama değil? (derin literatür + ölçüm)
- 24→4 katman budama = %83 derinlik kaybı. Literatür (Gromov ICLR'25, ShortGPT, Minitron): generative modellerde güvenli bölge %15-25 derinlik kaybı; %30 üstünde kod/reasoning ÇÖKER.
- F2LLM-v2 "ilk N blok" tarifi embedding modellerine özgüdür; generative/kod üreten modele taşınmaz.
- Ölçüldü: %0 kod verisiyle distill → catastrophic forgetting; budanmış model kod yazamadı, orijinal Q4_K_M kod+vision+reasoning hepsini koruyor.
- Qwen3.5-0.8B Q4_K_M (497 MiB) zaten RX460 2GB'a SIĞIYOR ve hızlı → budamak gereksiz.
Dosyalar
| Dosya | Açıklama | Boyut |
|---|---|---|
MVP/artifacts/gguf-vision/qwen35-text-Q4_K_M.gguf | Text backbone (24 katman, orijinal) | 497 MiB |
MVP/artifacts/gguf-vision/mmproj-F32.gguf | Vision projector (mmproj) | 402 MiB |
Benchmark (RX460, Vulkan, n_batch=512, fa=1)
| Model | size | backend | ngl | test | t/s |
|---|---|---|---|---|---|
| qwen35 0.8B Q8_0 | 763.78 MiB | Vulkan | 99 | tg128 | 78.34 |
| qwen35 0.8B Q4_K_M | 497.39 MiB | Vulkan | 99 | tg128 | 85.10 |
| qwen35 0.8B Q4_K_M | 497.39 MiB | Vulkan | 99 | pp4096 | 684.35 |
| qwen35 0.8B Q4_K_M | 497.39 MiB | Vulkan | 0 (CPU) | tg128 | 47.83 |
- Q4_K_M, Q8_0'dan HIZLI (85 vs 78 t/s) ve daha küçük.
- Konfigürasyon: default context 4k (hız/gecikme tatlı noktası); gerekirse max 16k'ya genişletilebilir.
- Model + KV cache GPU'da (ngl=99).
- Gated DeltaNet: tg128, pp2048→pp16384 arası sabit ~85 t/s (KV cache şişmez).
Doğrulama (ölçüldü)
llama-mtmd-cliile CPU (ngl=0) VE GPU Vulkan (ngl=99) multimodal test: çizilen test sahnesini kusursuz tanımladı — "A minimalist landscape features a brown house with a red roof, a green field, and a yellow sun in a blue sky." (kahverengi ev + kırmızı çatı + yeşil alan + sarı güneş + mavi gökyüzü). Chain-of-thought reasoning çalışıyor.- block_count=24 doğrulandı (orijinal, budanmamış).
Kullanım
llama-mtmd-cli \
-m MVP/artifacts/gguf-vision/qwen35-text-Q4_K_M.gguf \
--mmproj MVP/artifacts/gguf-vision/mmproj-F32.gguf \
--image FOTO.jpg -p "Describe this image." \
-c 4096 -ngl 99 --image-min-tokens 1024
⚠️⚠️ ROADMAP — GELECEK OPSİYONLARI (UNUTMA!) ⚠️⚠️
İLERİDE HIZLAR YETMEZSE GEREKEBİLİR — ŞU ÜÇ YÖNDEN BİRİNE GİDİLEBİLİR: 1) BİTİ DÜŞÜRMEK (Q4_K_M → Q3/IQ3 — DİKKAT: kodlama quant'a EN hassas görev, 3-bit uçurum kenarı, 2-bit çöküş), VEYA 2) MODEL PARAMETRESİNİ DÜŞÜRMEK (dikkatli/az budama + MUTLAKA kod verili distill), VEYA 3) MODEL PARAMETRESİ + BİTİ BİRLİKTE DÜŞÜRMEK. GEREKİRSE BU YOLLARA BAŞVURULACAK. ŞU AN Q4_K_M + ORİJİNAL 0.8B YETERLİ VE KAYIPSIZ.
- License
- agpl-3.0
- Created
- Aug 5, 2026
- Updated
- Aug 19, 2026