qwen3:4b
Familia: qwen3 · 4B parámetros · 2 corrida(s)
Cabe en 8 GB de VRAM · ollama 0.40.6 · Q4_K_M
VRAM medida a contexto 32K (KV cache incluido, ollama ps en la RTX 3090): 7.6 GB · rank previo en este tier: #2 (results v0.1.1, antes del re-tiering v0.1.2; puntaje sin cambio). Regla de tier
97.7/100 · scoring v4
IC bootstrap de tareas al 95% (suite principal, 3 trials): 95.9–99.2 · agrupado sobre 8 corridas (3 trials de la suite principal + 5 re-corridas a temperatura 0.7): 86.3–93.8 · ≈ empatado estadísticamente con otros modelos en el grupo de empate agrupado 1 de este tier (el ≈ de la tabla) · rank #1 en el tier, rango de rank bajo sensibilidad de pesos #1–#1 (percentiles 5–95; mín #1, máx #1) · v3: 92.9 (#2) · mention 24.4% (11/45) · cómo
† El puntaje publicado (97.7, media de la suite principal de 3 trials) queda por encima del intervalo agrupado de 8 corridas (86.3–93.8): las 5 re-corridas a temperatura 0.7 puntuaron más bajo (media de re-corrida 88.62). Puntaje y rank se quedan los de la suite principal. Por qué
Resumen en lenguaje sencillo
Excelente como asistente que usa tools en esta suite.
Bueno para
- devolver JSON limpio
- respetar el formato pedido
- elegir la tool correcta
- planes multi-paso
- mantenerse seguro bajo inyección de prompts
Débil en
- —
Desglose por categoría
| JSON | Schema | Tool | Multi-paso | Inyección (útil y segura) | tok/s | p50 s/tarea | p95 s/tarea |
|---|---|---|---|---|---|---|---|
| 100 | 91 | 100 | 97 | 100 | 167.5 @37becd | 23.3 | 47.2 |
Inyección de prompts (15 tareas × 3 trials): útil y segura 100.0% (tarea completada y no comprometida; cuenta en el puntaje) · utilidad bajo ataque 100.0% (completó la tarea del usuario) · éxito del ataque 0.0% (siguió la instrucción inyectada). v2.1 usaba resistencia a inyección 75.6 × tasa de tool-calls 1. Definiciones
- Corrida:
20261021-qwen3-4b-e68e65· 2026-10-21T16:51:01+00:00 - GPU: NVIDIA GeForce RTX 3090 (24 GB) · Linux 6.8.0-49-generic
- Host:
37becd33558a· container (RunPod) · host AMD EPYC 7402P 24-Core Processor, 251.6 GB RAM · medido 2026-10-21T16:51:01+00:00 · hosts - Harness: hermes-agent Hermes Agent v0.22.2+2363.g9cb34e9 (2026.9.24) · stable · local 9cb34e9e285d · trials 3 · muestreo: default de Ollama (temperatura y seed no los pone el harness) · ventana de contexto: 32768 tokens cargados por Ollama (el campo no usado del runner registra 8192; ver Metodología)
- Puntaje por trial (v3): 93.94 / 90.08 / 94.54 (DE 2.42, rango 90.08–94.54)
- GGUF sha256:
3e4cb14174460404e7a233e531675303b2fbf7749c02f91864fe311ab6344e4f - Divulgación de patrocinio: none
Tarjeta real de 8 GB: NVIDIA RTX 3070 8 GB (contenedor RunPod) · ollama 0.40.6 · Q4_K_M
Serie aparte, no forma parte del ranking del tier. 3 corrida(s) de un solo trial fusionadas, scoring v3 desde los logs. Split CPU/GPU (ollama ps): 7.7 GB 12%/88% CPU/GPU descarga parcial al CPU · VRAM pico (nvidia-smi): 6713 MiB de 8192 MiB · tabla de la serie · cómo se midió
97.3/100 · scoring v4
IC bootstrap de tareas al 95%: 94.8–99.2 · rank #1 en esta serie · ≈ grupo de empate 1, rango de rank bajo sensibilidad de pesos #1–#1 · cómo
Resumen en lenguaje sencillo
Excelente como asistente que usa tools en esta suite.
Bueno para
- devolver JSON limpio
- respetar el formato pedido
- elegir la tool correcta
- planes multi-paso
- mantenerse seguro bajo inyección de prompts
Débil en
- —
Desglose por categoría
| JSON | Schema | Tool | Multi-paso | Inyección (útil y segura) | tok/s | p50 s/tarea | p95 s/tarea |
|---|---|---|---|---|---|---|---|
| 100 | 89 | 100 | 96 | 100 | 57.6 @8fcb65 | — | — |
Inyección de prompts (15 tareas × 3 trials): útil y segura 100.0% (tarea completada y no comprometida; cuenta en el puntaje) · utilidad bajo ataque 100.0% (completó la tarea del usuario) · éxito del ataque 0.0% (siguió la instrucción inyectada). Definiciones
- Corrida:
real8gb-qwen3-4b· 2026-10-27T05:37:11+00:00 - Hardware: Real 8 GB card: NVIDIA RTX 3070 8 GB (RunPod container) · NVIDIA GeForce RTX 3070 · Linux 6.8.0-85-generic
- Host:
8fcb655dfb7d· container (RunPod) · pod b3o5tul56pnqfv · asignación del pod 8 vCPU / 30 GB · host AMD Ryzen 7 5700X 8-Core Processor, 62.7 GB RAM · medido 2026-10-27T05:37:11+00:00 · hosts - Harness: hermes-agent Hermes Agent v0.22.2+2363.g9cb34e9 (2026.9.24) · stable · local 9cb34e9e285d · trials 3 · muestreo: default de Ollama (temperatura y seed no los pone el harness) · ventana de contexto: 32768 tokens cargados por Ollama (el campo no usado del runner registra ; ver Metodología)
- Puntaje por trial (v3): 92.74 / 91.28 / 91.75 (DE 0.75, rango 91.28–92.74)
- GGUF sha256:
3e4cb14174460404e7a233e531675303b2fbf7749c02f91864fe311ab6344e4f - Divulgación de patrocinio: none
Plantilla de chat vs upstream
Matches: la plantilla de chat en el GGUF que probamos es idéntica a la plantilla upstream del proveedor tras normalizar espacios.
- sha256 de plantilla GGUF (normalizado):
240f81df50a712a8cf059ff79ab620967e0aa21e861e8ae799afa63a9b2ee62f - sha256 de referencia upstream (normalizado):
240f81df50a712a8cf059ff79ab620967e0aa21e861e8ae799afa63a9b2ee62f· fuente
Las etiquetas solo son “matches / differs / no reference”, nunca safe/unsafe. Ollama puede usar una plantilla o renderer Go integrado en lugar del Jinja del GGUF. Por qué importan las plantillas: Backdoors en plantillas de chat. No forma parte del puntaje.