migtissera/Tess-4-27B · Hugging Face 来源：https://huggingface.co/migtissera/Tess-4-27B

https://huggingface.co/migtissera/Tess-4-27B#tess-4-27b Tess-4-27B

推理能力随问题规模扩展。 一个自主、原生思考的模型——在真正需要时更加努力地深思——而在不需要时则不加赘述。 Tess-4-27B 是 Tess 系列两年来的首次发布，也是首个具备推理能力的版本。基于 Qwen/Qwen3.6-27B (https://huggingface.co/Qwen/Qwen3.6-27B) 由 Migel Tissera (https://huggingface.co/migtissera) 构建，它是在精心设计的混搭数据上进行后训练的：64K tokens 长上下文自主代理轨迹——这些是使用 Fable-5 完成的实际工程工作，而非合成生成——推理风格则通过由三个模型组成的教师集成（Opus-4.8、GPT-5.5 和 GLM-5.2）近似 Fable-5 的风格，并融合成一个连贯的声音。结果是，一个 27B 的模型像高级工程师一样思考：形成假设、行动、验证，并在真正值得的环节进行高密度推理——而不是一个为了得到早已知晓的答案而一路叙述的模型。

https://huggingface.co/migtissera/Tess-4-27B#why-tess-4-is-different 为什么 Tess-4 与众不同

• 🧠 加权推理。 Tess-4 保持常规步骤简洁，而在困难环节——规划、调试、综合、判断——投入深思。它不会喋喋不休；而是根据当前难度的比例进行思考。
• 🛠️ 天生自主。 原生并行工具使用和规范的多步骤问题解决。它能阅读代码库，构建真正的心理模型，并据此行动。
• 📏 长上下文，以 64K 训练。 在 64K tokens 长上下文自主代理轨迹上进行后训练，因此能够承载大型工作集而不丢失线索。
• 👁️ 多模态。 继承 Qwen3.6 的视觉塔——可同时输入文本和图像。（对于 GGUF，配合附带的视觉投影器使用。）
• 🤝 诚实，不谄媚。 训练其给出基于事实、有证据的反馈，而非奉承。

https://huggingface.co/migtissera/Tess-4-27B#the-reasoning-traces 推理轨迹

Tess-4 的标志在于它的思考方式。用于训练它的推理/思考轨迹是 Fable-5 的最佳近似，由 Opus-4.8、GPT-5.5 和 GLM-5.2 组合协作产生——一个多模型教师集成被蒸馏成单一、连贯的推理风格。结果是，模型采用前瞻性推理——在行动之前进行预测、验证和权衡选择——而非事后叙述。

https://huggingface.co/migtissera/Tess-4-27B#prompt-format–thinking 提示格式与思考

Tess-4 使用 Qwen3.5 家族的聊天模板，带有显式的 ... 推理块。模型进行私有推理，然后生成可见答案：

<|im_start|>user
您的提示在此
<|im_end|>
<|im_start|>assistant
... 模型的私有推理 ...
... 模型的答案 ...
<|im_end|>

通过 tokenizer.apply_chat_template(messages, add_generation_prompt=True) 自动应用，或在 llama.cpp 中使用 --jinja。

https://huggingface.co/migtissera/Tess-4-27B#available-formats 可用格式

此仓库 — 全精度权重：

GGUF 量化 → migtissera/Tess-4-27B-GGUF (https://huggingface.co/migtissera/Tess-4-27B-GGUF)

https://huggingface.co/migtissera/Tess-4-27B#quickstart 快速开始

https://huggingface.co/migtissera/Tess-4-27B#llamacpp–lm-studio-gguf llama.cpp / LM Studio (GGUF)

从 migtissera/Tess-4-27B-GGUF (https://huggingface.co/migtissera/Tess-4-27B-GGUF) 获取量化文件：

hf download migtissera/Tess-4-27B-GGUF \
    Tess-4-27B-Q4_K_M.gguf mmproj-Tess-4-27B-F16.gguf \
    --local-dir ./tess-4-27b

# 文本
llama-cli -m Tess-4-27B-Q4_K_M.gguf --jinja -p "重构此函数并解释你的推理。"

# 带图像（多模态）
llama-mtmd-cli -m Tess-4-27B-Q4_K_M.gguf \
    --mmproj mmproj-Tess-4-27B-F16.gguf \
    --image photo.png -p "这张图片里有什么？"

LM Studio： 将 mmproj-Tess-4-27B-F16.gguf 放入与模型文件相同的文件夹——LM Studio 会自动检测并启用图像输入。（使用较新的运行时；旧的 llama.cpp 版本无法识别该架构。）

https://huggingface.co/migtissera/Tess-4-27B#transformers transformers

from transformers import AutoProcessor, AutoModelForImageTextToText
import torch

model_id = "migtissera/Tess-4-27B"
processor = AutoProcessor.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForImageTextToText.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True
)

messages = [{"role": "user", "content": "解释 LoRA 与全量微调的权衡。"}]
inputs = processor.apply_chat_template(
    messages,
    add_generation_prompt=True,
    return_tensors="pt"
).to(model.device)

out = model.generate(inputs, max_new_tokens=1024)
print(processor.decode(out[0], skip_special_tokens=True))

（需要较新的 transformers 版本以支持 Qwen3.5/3.6。）

https://huggingface.co/migtissera/Tess-4-27B#what-its-good-at 它擅长什么

• 自主编码——探索陌生代码仓库、规划更改、使用工具执行多步骤工作。
• 长上下文工作——在大型代码库和文档上进行推理，不丢失上下文。
• 技术及产品判断——诚实、结构化的分析，以证据反驳而非默认同意。

https://huggingface.co/migtissera/Tess-4-27B#credits 鸣谢

Tess-4-27B 基于 Qwen/Qwen3.6-27B (https://huggingface.co/Qwen/Qwen3.6-27B) 由 Qwen 团队 构建——感谢他们出色的基础模型。Tess-4 继承了其 Qwen3.5 家族的视觉语言架构及 Apache 2.0 许可证。

https://huggingface.co/migtissera/Tess-4-27B#license 许可证

根据 Apache License 2.0 发布，继承自基础模型。参见 LICENSE (https://huggingface.co/migtissera/Tess-4-27B/tree/main/LICENSE)。

https://huggingface.co/migtissera/Tess-4-27B#citation 引用

@misc{tissera2026tess4,
    title = {Tess-4-27B},
    author = {Migel Tissera},
    year = {2026},
    howpublished = {\url{https://huggingface.co/migtissera/Tess-4-27B}},
    note = {Built on Qwen/Qwen3.6-27B}
}

Tess-4-27B — 是 Tess 系列的一部分，由 Migel Tissera (https://huggingface.co/migtissera) 创建。评估结果待发布。