# Qwen Beta 1 – GSQ-RCO

`qwen-beta-1` ist ein zusätzliches, nicht standardmäßig aktives Router-Profil.
Die bestehenden Profile und das Standardprofil `qwen-medium` bleiben unverändert.

## Laufzeitkonfiguration

- Modell: Qwen3.8-27B GSQ-RCO IQ3_S MTP
- Kontext: 112.000 Token als konservativer Startwert
- Textmodell und KV-Cache: vollständig RTX 5080
- Vision-Projektor: RTX 3060
- KV-Quantisierung: Q4_0 für K und V
- MTP: 3 Draft-Token
- Batch / Micro-Batch: 2048 / 128

## Vorherige IQ3_XXS-Kontextgrenze

Eine echte Bildanfrage mit einer 2,3-MB-JPEG-Datei wurde zur Bestimmung der
VRAM-Grenze verwendet.

| Kontext | Ergebnis | Rest auf RTX 5080 nach Bildlauf |
|---:|---|---:|
| 192.000 | bestanden | ca. 129 MiB |
| 196.608 | bestanden, harte Kante | ca. 9 MiB |
| 197.120 | CUDA Out of Memory | ca. 1 MiB vor Abbruch |

Diese Werte gelten ausschließlich für die frühere, kleinere
`IQ3_XXS-MTP`-Datei. Sie dürfen nicht als Grenze der größeren
`IQ3_S-MTP`-Datei interpretiert werden. Das neue Profil startet bei 112.000
Token; seine technische und betrieblich sichere Grenze wird neu vermessen.

Beim erfolgreichen 196.608-Test erreichte die Bildanfrage rund 366 Prompt-
Token/s und 85 Ausgabe-Token/s. Das erkannte Bild wurde korrekt beschrieben.

## Austausch am 08.09.2026

Die bisherige `IQ3_XXS-MTP`-Datei wurde durch `IQ3_S-MTP` ersetzt. ISTA
berichtet für die 3,5-bpw-Variante gegenüber BF16 identische Ergebnisse auf
AIME25 und LiveCodeBench v6 sowie 0,51 Punkte Abstand auf GPQA-Diamond. Diese
Herstellermessungen rechtfertigen den A/B-Test, ersetzen aber keine lokale
Prüfung mit Hermes-, Werkzeug- und Langkontextaufgaben.

## Lokaler A/B-Test am 08.09.2026

Beide Dateien liefen mit 112.000 Kontext, Q4_0-K/V-Cache, MTP 3, identischem
Sampling und einem 85:15-Layer-Split über RTX 5080 und RTX 3060.

| Messung | IQ4_XS Pure | GSQ-RCO IQ3_S MTP |
|---|---:|---:|
| deterministische Kurzaufgaben | 24/25 | 24/25 |
| Decode, 512 Token | 65,6 Token/s | 59,3 Token/s |
| Prefill, 30 Token | 184,5 Token/s | 251,6 Token/s |

Beide Modelle machten denselben einzelnen Fehler bei `2^100 modulo 13`. Im
lokalen Kurztest war damit kein Qualitätsverlust der neuen Quantisierung
messbar. Der kurze Prefill-Wert ist nur ein Laufzeitindikator und kein
Langkontext-Benchmark.

In der produktiven Beta-1-Verteilung liegt das komplette Textmodell auf der
RTX 5080 und nur der Vision-Projektor auf der RTX 3060. Dort wurden 89,9
Token/s Decode gemessen; nach dem Lauf blieben etwa 1.051 MiB auf der RTX 5080
frei. Ein realer Bildtest beschrieb Motiv und sichtbaren Text korrekt. Das
Profil war anschließend gesund. Die frühere IQ3_XXS-GGUF wurde erst nach diesen
Prüfungen entfernt; die JSON-Ergebnisse liegen auf Athena unter
`/data/model-benchmarks/gsq-rco-iq3s-ab-20260908/`.

## Profilweiter A/B-Härtetest am 08.09.2026

Ein zweiter Test verglich GSQ-RCO IQ3_S mit den jeweils heute verwendeten
Q4-Modellen unter den echten Kontext-, GPU-, MTP- und Batch-Einstellungen der
Profile. Medium und Large luden dabei auch den Vision-Projektor auf der RTX
3060; der dort bereits laufende TTS-Dienst blieb unangetastet. Alle acht
Varianten fanden drei synthetische Nadeln bei 70 Prozent des jeweiligen
Kontextfensters.

| Profil | Q4 kurzer Prefill | IQ3_S kurzer Prefill | Delta | Q4 Decode | IQ3_S Decode | Delta | Q4 Lang-Prefill | IQ3_S Lang-Prefill | Delta | Q4 Lang-Decode | IQ3_S Lang-Decode | Delta |
|---|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|---:|
| Fast 76,8K | 938,2 | 860,5 | -8,3 % | 115,3 | 109,2 | -5,2 % | 816,7 | 757,4 | -7,3 % | 74,7 | 76,4 | +2,3 % |
| Medium 160K | 1.449,7 | 1.342,3 | -7,4 % | 104,0 | 86,9 | -16,5 % | 948,3 | 897,3 | -5,4 % | 56,3 | 48,9 | -13,1 % |
| Large 192K | 1.456,5 | 1.342,6 | -7,8 % | 104,3 | 86,9 | -16,7 % | 849,5 | 808,9 | -4,8 % | 52,2 | 45,5 | -12,8 % |
| Ultra 262K | 1.728,3 | 1.288,2 | -25,5 % | 83,8 | 73,5 | -12,3 % | 808,2 | 677,8 | -16,1 % | 33,3 | 32,0 | -4,0 % |

Alle Geschwindigkeiten sind Token/s. `Fast` vergleicht das produktive
IQ4-MIX mit IQ3_S; die übrigen Profile vergleichen IQ4_XS Pure mit IQ3_S.
Die langen Prompts enthielten rund 53,8K, 112K, 134,5K beziehungsweise 183,6K
synthetische Token.

Der komplexere Qualitätstest bestand aus neun deutschsprachigen Aufgaben zu
Logik, evidenzgebundener Diagnose, nebenläufigem Python, Kapazitätsplanung,
Prompt-Injection, Laufzeit- gegenüber Konfigurationszustand und sicherem
Adminverhalten sowie einem nativen Tool-Call. Acht Aufgaben waren inhaltlich
gleichwertig; beide Modelle hatten beim nebenläufigen Python-Code denselben
subtilen Restfehler. Bei der Kapazitätsplanung ermittelten beide intern korrekt,
dass die Migration unmöglich ist. Beide erreichten jedoch das 4K-Ausgabelimit:
Q4 gab die Schlussfolgerung und fast den ganzen Beweis sichtbar aus, IQ3_S
verbrauchte das Limit vollständig im Reasoning und lieferte keinen sichtbaren
Antworttext. Beide nativen Tool-Calls waren korrekt.

Über alle neun Aufgaben benötigte Q4 223,0 Sekunden und IQ3_S 278,9 Sekunden;
IQ3_S war damit 25,0 Prozent länger beschäftigt. Zusammen mit der überwiegend
niedrigeren Inferenzgeschwindigkeit ist kein profilweiter Vorteil belegt.

Entscheidung: Die produktiven Q4-Profile werden nicht durch IQ3_S ersetzt und
es werden keine vollständigen Q3-Doppelprofile angelegt. `beta1` bleibt als
gezielter 112K-Versuch erhalten: Dort passt das gesamte Textmodell auf die RTX
5080, während der Projektor auf der RTX 3060 liegt. Dieser besondere
Platzierungsvorteil gilt nicht automatisch für die größeren Profile.

Die vollständigen JSON-Ergebnisse liegen auf Athena unter
`/data/model-benchmarks/gsq-rco-iq3s-ab-v2-20260908/`.