警告： 当视觉功能（图像输入）与 MTP 推测解码一同使用时，会导致 llama.cpp 崩溃（PR #22673 缺陷，全平台）。纯文本 MTP 可实现 2.5 倍速度提升。如需使用视觉功能，请启动服务端时不带 --spec-type mtp 参数——详见视觉功能章节。

启动服务端

您需要基于 PR #22673 或更新版本构建的 llama.cpp。Homebrew 及稳定版均不支持 MTP GGUF 格式。

git clone --depth 1 https://github.com/ggml-org/llama.cpp.git
cd llama.cpp
git fetch origin pull/22673/head:mtp-pr && git checkout mtp-pr

cmake -B build -DGGML_METAL=ON -DCMAKE_BUILD_TYPE=Release
cmake --build build --target llama-cli llama-server

llama-server -m Qwen3.6-27B-Q5_K_M-mtp.gguf \
  --spec-type mtp --spec-draft-n-max 3 \
  --cache-type-k q8_0 --cache-type-v q8_0 \
  -np 1 -c 262144 --temp 0.7 --top-k 20 -ngl 99 --port 8081

就是这样。一条命令实现三项优化：

根据您的硬件调整 -m、-c 和 --cache-type-k/v 参数 — 详见下方的我应该下载哪个量化版本？表格。

我应该下载哪个量化版本？

在下方找到您的硬件 — 每行提供了最适合的量化版本、KV 缓存类型以及可容纳的最大上下文长度。

Apple Silicon

Qwen3.6-27B 是一个混合模型 — 只有65 层中的 16 层使用 KV 缓存（已验证）。其余 48 层为线性注意力（固定 898 MiB 循环状态）。KV 内存比标准密集型模型少约 4 倍。不支持此特性的运行时（如 vllm）会为所有 65 层分配 KV，导致内存占用显著增加。

以下数值为总内存使用量（模型 + KV 缓存 + 0.9 GB 循环状态）。必须为 macOS 预留 ≥ 8 GB（16 GB Mac 除外）。

NVIDIA GPU

模型内存与 Apple Silicon 相同，另加约 1 GB CUDA 开销。

16 GB Mac： IQ2_M/q8_0 — 42K 纯文本。无视觉功能。

24 GB Mac： IQ3_M — 46K（f16 KV）或 91K（q8_0）。在 32–65K 上下文时支持视觉功能。

32 GB Mac： Q5_K_M — 74K 纯文本（f16 KV），147K（q8_0）。Q4_K_M 支持 99K 上下文的视觉功能。

48 GB Mac： Q6_K/f16 KV — 262K 上下文并支持视觉功能。Q8_0/q8_0 KV 可在更高模型质量下实现 262K 上下文。

64 GB+ Mac： Q8_0/f16 KV — 262K 上下文并支持视觉功能。在实际速度下实现最高质量。

12 GB GPU： IQ2_M/q8_0 — 11K。非常有限，无视觉功能。

16 GB GPU： IQ3_M — 30K（f16 KV）或 60K（q8_0）。无视觉功能。

24 GB GPU： Q4_K_M — 83K 上下文并支持视觉功能（f16 KV）。Q5_K_M — 58K 纯文本（f16 KV），116K（q8_0）。

48 GB+ GPU： Q6_K/f16 KV — 262K 上下文并支持视觉功能。Q8_0 可获得最高质量。

为获得最佳质量，请将 KV 缓存保留为 f16（表格中对应列为空）。仅当 f16 无法提供足够上下文时才使用 q8_0 KV。q4_0 KV 的上下文不应超过 64K。

视觉功能会为 mmproj 额外增加约 0.9 GB 内存。macOS 需要**≥ 8 GB** 内存供自身使用（16 GB Mac 除外 — 约使用 4 GB）。您可以通过提高有线内存限制来增加可用内存，例如对于 96 GB Mac：sudo sysctl iogpu.wired_limit_mb=90112（88 GB）。NVIDIA 会为 CUDA 预留约 1 GB 内存。

API 使用方法

兼容 OpenAI（/v1/chat/completions）

curl http://localhost:8081/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"model":"qwen","messages":[{"role":"user","content":"Hello"}]}'

可与任何 OpenAI 客户端配合使用 — 只需将其指向 http://localhost:8081/v1 即可。

兼容 Anthropic（/v1/messages）

curl http://localhost:8081/v1/messages \
  -H "Content-Type: application/json" \
  -d '{"model":"qwen","max_tokens":1024,"messages":[{"role":"user","content":"Hello"}]}'

可与任何 Anthropic 客户端配合使用——服务器原生支持 Messages API，包括流式传输、工具调用和视觉功能。

Claude 代码

ANTHROPIC_BASE_URL=http://127.0.0.1:8081 claude

Claude Code 使用 Anthropic Messages API。只需设置这个环境变量，它就会与您本地的 Qwen3.6-27B 对话，而非云端。

工具使用（两个 API 均适用）

curl http://localhost:8081/v1/messages \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen",
    "max_tokens": 1024,
    "tools": [{
      "name": "get_weather",
      "description": "Get current weather for a location",
      "input_schema": {
        "type": "object",
        "properties": {"location": {"type": "string"}},
        "required": ["location"]
      }
    }],
    "messages": [{"role": "user", "content": "What is the weather in Paris?"}]
  }'

愿景

MTP + 视觉功能在 PR #22673 上崩溃（所有平台，已确认的 bug）。对于图像输入，请不要使用 --spec-type mtp 启动服务器：

llama-server -m Qwen3.6-27B-Q5_K_M-mtp.gguf \
  --mmproj mmproj-Qwen3.6-27B-f16.gguf \
  --cache-type-k q8_0 --cache-type-v q8_0 \
  -c 262144 --temp 0.7 --top-k 20 -ngl 99 --port 8081

curl http://localhost:8081/v1/messages \
  -H "Content-Type: application/json" \
  -d '{
    "model": "qwen",
    "max_tokens": 1024,
    "messages": [{"role": "user", "content": [
      {"type": "image", "source": {"type": "base64", "media_type": "image/jpeg", "data": "'$(base64 < photo.jpg)'"}},
      {"type": "text", "text": "Describe this image"}
    ]}]
  }'

直接命令行界面使用

# Text generation
llama-cli -m Qwen3.6-27B-Q5_K_M-mtp.gguf \
  --spec-type mtp --spec-draft-n-max 3 \
  --cache-type-k q8_0 --cache-type-v q8_0 \
  -np 1 -c 4096 -n 2048 --temp 0.7 -ngl 99 \
  -p "Your prompt here"

# Vision (MTP does not work with images — omit --spec-type mtp)
llama-cli -m Qwen3.6-27B-Q5_K_M-mtp.gguf \
  --mmproj mmproj-Qwen3.6-27B-f16.gguf \
  --cache-type-k q8_0 --cache-type-v q8_0 \
  -c 4096 -n 2048 --temp 0.7 -ngl 99 \
  --image photo.jpg \
  -p "Describe this image"

KV 缓存选项

--cache-type-k 和 --cache-type-v 标志用于控制 KV 缓存精度。精度越低，占用内存越少，相同硬件可支持的上下文越长。

建议：保持 KV 为 f16 以获得最佳质量。当 f16 无法提供足够上下文时，使用 q8_0。仅在内存紧张时保留 q4_0 使用，且上下文最多为 64K。

对硬件要求的影响（Q5_K_M，80K 上下文）：

推测解码模式

MTP（推荐 — 快 2.5 倍）

该模型通过自身的 MTP 头在每步预测额外 5 个 token，然后通过一次验证完成。无需额外模型。

--spec-type mtp --spec-draft-n-max 3 -np 1

MTP 当前需要使用 -np 1（单序列模式）。如果不使用该参数，你将收到以下提示：MTP currently supports only n_parallel=1。

调整 --spec-draft-n-max：3 是通用场景下的最佳值（接受率为 83%）。1–2 的值更为保守；4–5 的值会在被拒绝的 token 上浪费计算资源。

草稿模型（速度提升约 2.3 倍）

搭配使用更小的、共享相同分词器的 Qwen 3.5/3.6 模型。

llama-cli -m Qwen3.6-27B-Q5_K_M-mtp.gguf \
  -md Qwen3.5-0.8B-Q8_0.gguf \
  --spec-draft-n-max 10 -ngl 99 -ngld 99 \
  -c 4096 -n 2048 --temp 0.7 \
  -p "Your prompt"

ngram-mod（无需额外模型，有利于重复提示）

使用来自先前提示的缓存 n-gram。

--spec-type ngram-mod \
--spec-ngram-mod-n-match 24 \
--spec-ngram-mod-n-min 48 \
--spec-ngram-mod-n-max 64 \
--repeat-penalty 1.0

下载

所有层级均包含 MTP 头。F16 和 Q8_0 为直接转换版本；其他所有层级均基于 Q8_0 并使用重要性矩阵进行量化。Q5_K_M 是性价比之选——若内存紧张，可使用 Q4_K_M；若追求最高质量，可选择 Q8_0。F16 版本可供实验使用，但速度明显慢于 Q8_0。GPU 指 NVIDIA 显卡（RTX 3060 = 12 GB，RTX 3090/4090 = 24 GB，A6000 = 48 GB，A100 = 80 GB）。

硬件数据假设“最低配置”（4K）使用 f16 KV 缓存，“推荐配置”（80K）和“最高配置”（262K）使用 q8_0 KV 缓存。若要在较低配置硬件上达到推荐或最大上下文，可添加参数 --cache-type-k q8_0 --cache-type-v q8_0。

内存要求

基于 Apple Silicon（统一内存）的近似显存需求，以 Q5_K_M 为参考。包含 0.9 GB 循环状态（固定大小，不随上下文长度变化）。65 层中仅 16 层使用 KV 缓存，其余 48 层使用线性注意力。

“总计”= 模型 + 循环状态 + KV 缓存。macOS 需至少 8 GB（16 GB Mac 除外）。若启用视觉功能：需额外添加 0.9 GB 用于 mmproj。

系统提示词

第一行必须是：

You are Qwen, created by Alibaba Cloud. You are a helpful assistant.

没有它，模型的表现会不佳。在该行之后附加任何内容。

思考切换

在任何消息中加入 <|think_on|> 或 <|think_off|> 即可切换思考模式。模板会剥离该标签，因此模型永远不会看到它。

System: You are a coding assistant. <|think_off|>
User: What's 2+2?

快速回答，无需内部推理。

System: You are a coding assistant. <|think_on|>
User: Implement a red-black tree in Rust.

模型会逐步思考，然后给出答案。

采样

来自Qwen官方作者。为思考模式预留128K+上下文。

兼容性

LM Studio用户： 请改用 MLX 8-bit 或 MLX 4-bit — 完整的视觉+工具+思考能力，无MTP。

聊天模板修复

捆绑的Jinja模板修复了官方Qwen 3.6模板中的几个bug：

• C++引擎上工具调用崩溃。 官方模板使用Python的|items过滤器和|safe，这些在C++ Jinja运行时（llama.cpp、LM Studio）中不存在。此模板使用直接字典键查找。
• developer角色崩溃。 现代API发送message.role == "developer"。官方模板会抛出异常。此模板将其映射为system。
• 空preserve_thinking垃圾信息。 官方模板在每个过往对话轮次都包裹空的`