AI-Profile-Router/docs/GSQ_RCO_BETA1_20260904.md

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/.