qwen3:8b

Cabe en 16 GB de VRAM · ollama 0.40.6 · Q4_K_M

VRAM medida a contexto 32K (KV cache incluido, ollama ps en la RTX 3090): 10 GB · tier previo: 8 GB, rank #4 (results v0.1.1). Pasó al tier de 16 GB en results v0.1.2 (2026-10-26) porque necesita más de 8 GB a contexto 32K; puntaje sin cambio. Regla de tier

61.9/100 · scoring v4

IC bootstrap de tareas al 95% (suite principal, 3 trials): 55.9–67.8 · agrupado sobre 8 corridas (3 trials de la suite principal + 5 re-corridas a temperatura 0.7): 51.1–61.9 · ≈ empatado estadísticamente con otros modelos en el grupo de empate agrupado 3 de este tier (el ≈ de la tabla) · rank #6 en el tier, rango de rank bajo sensibilidad de pesos #6–#9 (percentiles 5–95; mín #6, máx #10) · v3: 60.6 (#6) · mention 6.7% (3/45) · cómo

^† El puntaje publicado (61.9, media de la suite principal de 3 trials) está cerca del borde alto del intervalo agrupado de 8 corridas (51.1–61.9); media de re-corrida 54.18. Puntaje y rank se quedan los de la suite principal. Por qué

Inyección de prompts (15 tareas × 3 trials): útil y segura 11.1% (tarea completada y no comprometida; cuenta en el puntaje) · utilidad bajo ataque 11.1% (completó la tarea del usuario) · éxito del ataque 0.0% (siguió la instrucción inyectada). v2.1 usaba resistencia a inyección 93.3 × tasa de tool-calls 0.5795. Definiciones

• Corrida: 20261021-qwen3-8b-5020e7 · 2026-10-21T03:34:58+00:00
• GPU: NVIDIA GeForce RTX 3090 (24 GB) · Linux 6.8.0-57-generic
• Host: dc7718586fbe · container (RunPod) · host AMD EPYC 7663 56-Core Processor, 251.5 GB RAM · medido 2026-10-21T03:34:58+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): 60.36 / 62 / 59.48 (DE 1.28, rango 59.48–62)
• GGUF sha256: a3de86cd1c132c822487ededd47a324c50491393e6565cd14bafa40d0b8e686f
• Divulgación de patrocinio: none

Apple M2 16GB memoria unificada, macOS · ollama 0.40.6 · Q4_K_M

60.1/100 · scoring v4

IC bootstrap de tareas al 95%: 54.7–65.2 · ≈ empatado estadísticamente con otros modelos en el grupo de empate 1 de este tier · rank #4 en el tier, rango de rank bajo sensibilidad de pesos #1–#4 (percentiles 5–95; mín #1, máx #6) · v3: 60.1 (#2) · mention 0.0% (0/45) · cómo

Inyección de prompts (15 tareas × 3 trials): útil y segura 2.2% (tarea completada y no comprometida; cuenta en el puntaje) · utilidad bajo ataque 2.2% (completó la tarea del usuario) · éxito del ataque 0.0% (siguió la instrucción inyectada). v2.1 usaba resistencia a inyección 100.0 × tasa de tool-calls 0.5692. Definiciones

• Corrida: 20261021-qwen3-8b-eae4c3 · 2026-10-21T16:47:31+00:00
• Hardware: Apple M2 16GB unified memory, macOS · Apple M2 GPU (unified memory) · macOS 27.0.1 (arm64)
• Host: 8b306c4ac94a · tipo sin registrar · host Apple M2, 16 GB RAM · medido 2026-10-21T16:47:31+00:00 · hosts
• Harness: hermes-agent Hermes Agent v0.22.2+2363.g9cb34e9.dirty (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): 60.29 / 62.53 / 57.4 (DE 2.57, rango 57.4–62.53)
• GGUF sha256: a3de86cd1c132c822487ededd47a324c50491393e6565cd14bafa40d0b8e686f
• 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): 10 GB 34%/66% CPU/GPU corre con descarga al CPU (lento) (el tier principal sigue siendo 16 GB) · VRAM pico (nvidia-smi): 6753 MiB de 8192 MiB · tabla de la serie · cómo se midió

64.9/100 · scoring v4

IC bootstrap de tareas al 95%: 58.6–70.9 · rank #5 en esta serie · ≈ grupo de empate 2, rango de rank bajo sensibilidad de pesos #4–#5 · cómo

Inyección de prompts (15 tareas × 3 trials): útil y segura 15.6% (tarea completada y no comprometida; cuenta en el puntaje) · utilidad bajo ataque 15.6% (completó la tarea del usuario) · éxito del ataque 0.0% (siguió la instrucción inyectada). Definiciones

• Corrida: real8gb-qwen3-8b · 2026-10-27T19:59:27+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 2026-10-27T19:59:27+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): 63.01 / 63.66 / 61.34 (DE 1.2, rango 61.34–63.66)
• GGUF sha256: a3de86cd1c132c822487ededd47a324c50491393e6565cd14bafa40d0b8e686f
• Divulgación de patrocinio: none

Plantilla de chat vs upstream

Differs: la plantilla del GGUF no es idéntica a la plantilla upstream actual del proveedor tras normalizar espacios. Esto no es un veredicto de seguridad: revisiones viejas, conversiones de Ollama y re-subidas legítimas con plantillas corregidas (p. ej. Unsloth) suelen diferir.

• sha256 de plantilla GGUF (normalizado): ccd61ecea6aa8406e336da83f2f71e500777096cdb0391303614e7331e6087b0
• sha256 de referencia upstream (normalizado): 5922e70169a13b0ee856ed984180068cf3b8369fee76cce63c8ca2d37007f0b4 · 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.