Skip to content
Computer vision

Qwen3.8-Flash-Next-exl3-4.05bpw

квантованное превью архитектуры Qwen4

2 min readupdated

Перед вами квантованная версия (EXL3, 4.05 бита на вес) экспериментальной мультимодальной модели Qwen3.8-Flash-Next от команды Qwen, подготовленная автором andrevp. Модель работает с текстом и изображениями (Causal Language Model с Vision Encoder) и демонстрирует архитектуру будущего поколения Qwen4. При общем объёме в 125B параметров (плюс 51B параметров N-gram эмбеддингов и 4B MTP) при генерации одного токена активируется всего 6B параметров благодаря схеме MoE (Mixture of Experts — разреженная архитектура, где для каждого токена включается лишь малая часть нейросети). По сравнению с обычными плотными моделями она заметно быстрее обрабатывает длинный контекст и поддерживает окна до 1 000 000 токенов. Релиз пригодится разработчикам агентов, программистам и энтузиастам локального запуска крупных VLM на GPU с ограниченной видеопамятью.

Ключевые особенности

  • Гибридное внимание с Qwen Sparse Attention (QSA) и Gated DeltaNet: обработка идёт на уровне микроблоков, что сильно снижает задержки на длинном контексте в агентских задачах.
  • N-gram Embedding (51B параметров): индексация биграммами и триграммами позволяет масштабировать знания модели с меньшими затратами вычислений и удобной выгрузкой из видеопамяти.
  • Разреженная MoE-архитектура: из 512 экспертов для каждого токена активируются только 10 маршрутизируемых и 1 общий (итого 6B активных параметров).
  • Мультимодальность и сверхдлинный контекст: встроенный Vision Encoder для понимания изображений и окно 262 144 токена нативно с расширением до 1 000 000 токенов.
  • Квантование EXL3 (4.05bpw): сжатие весов до ~4 бит на параметр делает запуск крупной 125B-модели доступнее на локальном железе.

Что можно сделать

  • Поднять локального агента для программирования и работы с большими репозиториями благодаря высоким результатам в агентском кодинге и контексту до 1M токенов.
  • Анализировать длинные документы, скриншоты интерфейсов и изображения в мультимодальном режиме через локальный сервер инференса.
  • Использовать в автоматизированных пайплайнах и чат-ботах, где важен быстрый отклик при большом объёме истории диалога.

Пример

В карточке репозитория не приведён готовый сниппет для запуска квантованной EXL3-сборки. Типовой сценарий использования: загрузить веса в движок инференса с поддержкой формата EXL3 (например, ExLlamaV3 / TabbyAPI), подать на вход изображение вместе с технической документацией или кодовой базой (до 262K–1M токенов) и получить разбор задачи или патч для репозитория.

ПодробнееБенчмарки оригинала Qwen3.8-Flash-Next: SWE-bench Multilingual — 81.0, SWE-bench Pro — 62.5, DeepSWE 1.1 — 58.7.
Архитектура: 48 слоёв, 512 экспертов (10 routed + 1 shared), 1 слой MTP (Multi-Token Prediction) для ускорения генерации.
Примечание: в метаданных репозитория указано 33.83B параметров (с учётом сжатия EXL3), оригинальная модель содержит 125B основных + 51B N-gram + 4B MTP параметров.
Управляемая облачная версия с встроенными инструментами доступна в Qwen Cloud под названием Qwen3.8-Flash.
Discuss Telegram 0 21

Will it run?

Runs in 4-bit

Full precision does not fit, a quantised version does: quality barely changes down to 8 bits, more noticeably at 4 bits.

  • I16weights 63 GB · ready files70 GB
  • FP8 / INT8recommendedweights 32 GB35 GB
  • 4-bitweights 18 GB20 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # andrevp/Qwen3.8-Flash-Next-exl3-4.05bpw
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download andrevp/Qwen3.8-Flash-Next-exl3-4.05bpw --local-dir ~/models/Qwen3.8-Flash-Next-exl3-4.05bpw
    # The model is in ~/models. How to run it is in the model card (link above).
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of Qwen3.8-Flash-Next-exl3-4.05bpw (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

andrevp/Qwen3.8-Flash-Next-exl3-4.05bpw
Author
andrevp
Category
Computer vision
Released
Posted

On NeyroLearn

Hugging Face

210

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments