加速技术：基于 Qwen3.6-27B 混合注意力骨干（约 75% 线性注意力），端到端三值化（1.58-bit）——权重取值 {-1, 0, +1}，每 128 权重共享一个 FP16 缩放因子（group-wise），真值约 1.71 bit/weight。FP16 约 54GB → 部署约 7.2GB（≈9.4× 压缩），精度保留 FP16 的约 94.6%。辅以 4-bit KV 缓存量化，并在线性注意力骨干上支撑 262K 上下文端侧运行；官方额外提供 DSpark 投机解码草稿层进一步提速；多模态（视觉塔 4-bit）。
定位：在同体量模型中以极小体积换取可用精度，适合单卡 / 端侧部署。
训练侧（核心特点）：采用 自出题（self-generated tasks）+ 自脚手架 / 自滚动优化（self-scaffolding）+ 强化学习闭环（end-to-end self-improvement） 的范式，将任务生成、脚手架构建与求解滚动联合优化，相比同体量 Qwen3.6-35B 在编程与智能体基准上提升明显。
加速技术：35B MoE，每 token 仅激活约 3B 参数；FP8（per-tensor）量化降低显存与带宽；原生 MTP 草稿头（约 1.9B）即自投机解码（vLLM --spec-type draft-mtp）；社区 NVFP4+FP8 混合量化把 35B 压到 22.6GiB（较 BF16 约 3× 更小）且保留 MTP 块，投机解码依然可用；原生 256K 长上下文。
加速技术：对 Qwen3.8-27B（混合 GatedDeltaNet + 全注意力）做 架构感知混合量化 + 原生 MTP。敏感的门控线性注意力（GDN）状态路径保持 Q8_0 高精度，混合器 Q4_K，中段 FFN 压至 IQ2_M，MTP 草稿头 Q6_K。27B → 11.7GB @3.7bpw，约 54 tok/s（RTX PRO 6000 Blackwell），原生 MTP 提供投机提速。
定位：按层敏感度分配比特，在体积与精度间精细权衡，适合单卡高吞吐。