Skip to content
Computer vision

Qwen3.8-23B-Cut-Heal

эксперимент по обрезке и лечению Qwen3.8-27B

2 min readupdated

Мультимодальная языковая модель, полученная путём прунинга (удаления части весов) из Qwen/Qwen3.8-27B с 27.3B до 23.2B параметров и последующей дистилляции от оригинала. Автор aqualaguna сузил слои FFN (полносвязные блоки внутри трансформера) на четверть, но оставил без изменений блок обработки изображений (vision tower), чтобы сэкономить видеопамять на картах с 32 ГБ VRAM. В отличие от оригинальной 27B-модели, эта версия весит на 15% меньше (24.7 ГБ против 29.05 ГБ в Q8_0), сохраняет почти 98% качества в базовых навыках, но заметно проседает в сложном олимпиадном программировании. Модель опубликована как открытый исследовательский отчёт о том, какие способности удаётся восстановить после обрезки, а какие теряются безвозвратно.

Ключевые особенности

  • Сжатие на 15% с сохранением базы: сужение FFN с 17 408 до 13 312 во всех 64 блоках удержало средний балл по шести ключевым тестам (математика, вызов функций, логика, здравый смысл, пространственное мышление и клики по экрану) на уровне 97.8% от оригинала.
  • Выше скорость генерации: в формате NVFP4 под vLLM модель выдаёт 91–97 tok/s на одной RTX 5090 против ~81 tok/s у исходной 27B-версии, освобождая около 25% места под KV-кэш.
  • Честный разбор провалов: в сложном кодинге (LiveCodeBench) результат упал с 48 до 32 баллов (67% от базы), а знание фактов (PopQA) ожидаемо снизилось с 23 до 12.
  • Готовые квантованные сборки: отдельно доступны варианты GGUF (Q8_0 с проектором для зрения) и NVFP4.

Что можно сделать

  • Запускать локальных агентов с вызовами функций: в тесте glaive function calling модель набрала 92 балла (101% от оригинала) и сохранила 98% точности в распознавании элементов интерфейса (ScreenSpot-v2).
  • Изучать эффекты прунинга и дистилляции: использовать веса и подробные таблицы замеров как ориентир при оптимизации крупных VLM-моделей под ограниченную память.
  • Ускорять инференс на RTX 5090: применять сборку NVFP4 в vLLM там, где критична скорость генерации и размер KV-кэша, а не сложный алгоритмический код.

Пример

llama-server -m Qwen3.8-23B-Cut-Heal-Q8_0.gguf --jinja -ngl 99 -c 131072 \
  --cache-type-k q8_0 --cache-type-v q8_0 --flash-attn on \
  --chat-template-kwargs '{"reasoning_effort":"low"}'
ПодробнееБенчмарки (Q8_0, reasoning effort low): GSM8K — 96 (было 98), HumanEval — 97 (было 100), LiveCodeBench — 32 (было 48), среднее по 6 защищённым навыкам — 90.7 против 92.7.
Железо: целилась под 32 ГБ VRAM (RTX 5090) с контекстом 128k; сам автор отмечает, что оригинал Qwen3.8-27B в Q8_0 при настройке --fit off тоже влезает в 32 ГБ (31.95 ГБ) со скоростью 50.8 tok/s.
Ограничения: блок спекулятивного декодирования MTP обрезан, но не проходил дистилляцию; оценка проводилась только на английском языке; лицензия Apache-2.0.
Discuss Telegram 0 11

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.

  • BF16weights 44 GB · ready files49 GB
  • FP8 / INT8recommendedweights 22 GB25 GB
  • 4-bitweights 12 GB14 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.

    # aqualaguna/Qwen3.8-23B-Cut-Heal
    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 aqualaguna/Qwen3.8-23B-Cut-Heal --local-dir ~/models/Qwen3.8-23B-Cut-Heal
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to Qwen3.8-23B-Cut-Heal
  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 Qwen3.8-27B (quants, finetunes, LoRAs) will show up under the bell.

Quantised versions 12All on Hugging Face
Fine-tunes 12All on Hugging Face
LoRAs and adapters 2All on Hugging Face

About the model

aqualaguna/Qwen3.8-23B-Cut-Heal
Author
aqualaguna
Category
Computer vision
Released
Posted

On NeyroLearn

Hugging Face

110

Ask AI about this model

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

Comments