---

base_model: mikelalda/qwen27b_alia_tuned

base_model_relation: quantized

quantized_by: mikelalda

pipeline_tag: text-generation

license: cc-by-sa-4.0

language:

- eu

- es

- en

tags:

- gguf

- llama.cpp

- qwen3_8

- basque

- euskara

- translation

---

qwen27b_alia_tuned — GGUF

mikelalda/qwen27b_alia_tuned

modeloaren GGUF esportazioa, llama.cpp, Ollama eta LM Studiorekin

exekutatzeko.

Modeloari buruzko informazio osoa — entrenamendu-datuak, hiperparametroak,

prompt-formatuak eta mugak — oinarrizko modeloaren fitxan dago. Hemen

esportazioari dagokiona baino ez.

> Egoera: ebaluatu gabe. Ez da benchmarkik exekutatu, ez modelo honekin ez

> kuantizatu gabekoarekin.

---

Fitxategiak

| Fitxategia | Kuantizazioa | Tamaina |

|---|---|---|

| qwen27b-alia-q4_k_m.gguf | Q4_K_M | 16,8 GB |

Q4_K_M-k Q6_K erabiltzen du attention.wv eta feed_forward.w2 tentsoreen

erdietan, eta Q4_K gainerakoetan. Kalitatearen eta tamainaren arteko oreka

gomendatua da.

Xehetasun teknikoak: 866 tentsore, qwen35 arkitektura, 248.320 tokeneko

hiztegia.

---

Erabilera

Txat-txantiloia GGUF fitxategian bertan dago txertatuta, beraz ez duzu

Modelfile-rik edo txantiloi gehigarririk behar.

llama.cpp

llama-cli -m qwen27b-alia-q4_k_m.gguf -cnv \
  -p "Itzultzaile profesionala zara. Eres un traductor profesional."

Zerbitzari gisa:

llama-server -m qwen27b-alia-q4_k_m.gguf -c 4096

-c 4096 entrenamenduko sekuentzia-luzerarekin bat dator.

Ollama

ollama create qwen27b-alia -f Modelfile

Modelfile:

FROM ./qwen27b-alia-q4_k_m.gguf

---

Esportazioaren xehetasunak

Bi urratsetan sortua, RAM gutxiko makina batean (14 GiB):

1. merged_bf16/ → GGUF bf16 (convert_hf_to_gguf.py)
2. bf16 → Q4_K_M (llama-quantize)

Bitartekaria bf16 da eta ez q8_0, arrazoi praktiko batengatik:

token_embd.weight tentsoreak {5120, 248320} forma du — 1.271 milioi

elementu — eta Q8_0-ra kuantizatzeko float32-n materializatu behar da,

5,1 GB asignazio bakarrean. bf16-ra kopia zuzena da, memoriaren erdia.

---

Mugak

Oinarrizko modeloaren muga guztiak heredatzen ditu — **HiTZ/RAG_eu

benchmarkarekin ebaluatzeko ezintasuna eta epoka partziala** barne. Irakurri

modelo nagusiaren fitxa

erabili aurretik.

Gainera, kuantizazioak berezko degradazioa dakar: Q4_K_M-k kalitatea galtzen du

bf16 originalarekin alderatuta, neurtu gabeko kopuru batean.