Based on this YouTube video's total view count of 7.62K views and industry-standard rates, the estimated total earning is $5 - $15 through ad revenue. Historical data is not yet available to calculate daily, weekly, or monthly averages.

Explore Qwen 3.8 27B sur 16 Go de VRAM : il a résolu le bug que DeepSeek V4 Flash a raté with 7,619 views, 263 likes, and 45 comments. Experience the impact of this video content that has captured audience attention.

Le quant Qwen 3.8 27B Q4_XS_Smaller tient sur 16 Go de VRAM, avec la vision, le MTP et 100 000 tokens de contexte. Je l'ai lancé sur le benchmark Build & Verify d'OpenFox : générer un jeu du dinosaure de A à Z. Résultat : il a résolu un bug visuel que DeepSeek V4 Flash, même sur un cluster à 8000 €, n'a pas réussi à verrouiller. La différence ? La vision. Au programme : - Le quant Q4_XS_Smaller : un 27B dense sur 16 Go de VRAM - Le KV Cache en Q4 : 100 000 tokens de contexte, avec vision et MTP activés - Le mode X-High d'OpenFox : le raisonnement maximal, réglable dans l'interface - Le workflow Build and Verify : génération, vérification, review de code, tests - Le duel : Qwen 3.8 27B vs DeepSeek V4 Flash sur un bug visuel - La vision : la vraie différence entre un modèle qui se vérifie et un qui devine - La config exacte llama.cpp, prête à copier-coller Les chiffres : - 16 Go de VRAM : la RX 7800 XT du PC gaming - 400 à 500 € : le prix de la carte - 8000 € : le cluster DGX Spark de comparaison - 100 000 tokens de contexte avec un KV Cache en Q4 - 40 à 42 tokens par seconde en génération - 46 minutes : la session Build and Verify complète - 40 minutes : le temps pour traquer le dernier bug - 938 lignes : la première version du jeu - 32 save / 31 restore : le déséquilibre à l'origine du bug La config llama.cpp (RX 7800 XT, 16 Go de VRAM) : ``` llama-server \ --model Qwen3.8-27B-i1-IQ4_XS-GGUF-Smaller.gguf \ --mmproj mmproj-Qwen3.8-27B-f16.gguf \ --ctx-size 100000 \ --n-gpu-layers 999 \ --cache-type-k q4_0 --cache-type-v q4_0 \ --spec-type draft-mtp --spec-draft-n-max 3 \ --parallel 1 \ --reasoning-preserve \ --host 0.0.0.0 --port 8080 \ --alias "Qwen3.8-27B-i1" ``` Les liens : - Le quant utilisé (Q4_XS_Smaller, i1) : https://huggingface.co/jrell/Qwen3.8-27B-i1-IQ4_XS-GGUF-Smaller - Qwen3.8-27B officiel : https://huggingface.co/Qwen/Qwen3.8-27B - Quants GGUF Unsloth : https://huggingface.co/unsloth/Qwen3.8-27B-GGUF - DeepSeek V4 Flash 0731 : https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-0731 - OpenFox (gratuit, open source) : https://github.com/co-l/openfox - llama.cpp : https://github.com/ggml-org/llama.cpp Le subreddit : https://www.reddit.com/r/NicefoxFR/ (bugs sur OpenFox, IA locale, dev assisté) Like, abonnement, commentaire. Et si vous lisez Reddit, installez un bloqueur de pub et utilisez Firefox comme des gens civilisés. 00:00 Qwen 3.8 27B sur 16 GB : la config 00:42 KV Cache Q4 : 100 000 tokens de contexte 01:24 Le benchmark : le dinosaure de Chrome 02:33 Build and Verify en mode x-high 04:54 Premiers playtests : les bugs 06:39 Code reviewer : 5 problèmes corrigés 08:33 Le bug des artefacts à droite 09:30 DeepSeek V4 Flash dans la même session 12:12 32 save pour 31 restore 13:03 Bug résolu, prouvé à la vision 14:06 16 GB contre un cluster à 8000 €

With SocialCounts.org’s view counter, track your YouTube video’s live view count and YouTube likes count in real time with fast, reliable updates.

Watch every YouTube video live view count rise with our real-time YouTube views tracker—built for accuracy and minimal delay.

Follow YouTube real time views as they happen, using our dedicated view counter for YouTube videos.

Get up-to-date live view count on YouTube and see real-time growth with SocialCounts.org’s smart tracking tools.