Skip to content
Other

arbora-qwen3-8b-online-v2

адаптивные веса для ускорения инференса Qwen3-8B

2 min read

Набор финальных весов для ускорения генерации текстов и кода базовой модели Qwen3-8B (на базе z-lab/Qwen3-8B-DFlash-b16) в задачах разработки ПО (SWE). Репозиторий является частью релиза исследования Arbora: Making Better Use of the Draft Tokens from Block Diffusion Drafters и содержит результаты трёх прогонов онлайн-обучения (дообучения модели прямо на потоке входящих запросов). В основе лежит подход с Block Diffusion Drafter — лёгкой моделью-черновиком, которая заранее предсказывает сразу блок токенов для ускорения основной LLM. Релиз пригодится разработчикам инференс-движков и исследователям, изучающим спекулятивное декодирование и адаптацию моделей на лету под поток реальных задач.

Ключевые особенности

  • Три варианта онлайн-адаптации: веса получены после обработки потока из 20 000 запросов по разработке программного обеспечения.
  • Конфигурация dflash2: полностью дообученный в онлайн-режиме драфтер (model.safetensors) и селектор путей (selector.safetensors).
  • Модульное расширение Arbora: два варианта с добавлением нового эксперта (new-expert при замороженных остальных компонентах и new-expert-and-path-scorer с одновременным обучением оценщика путей).
  • Горячая замена весов: файлы подготовлены для подгрузки в работающий сервер инференса без его остановки через API-запрос.

Что можно сделать

  • Развернуть быстрый сервер для кодинга: подключить веса к инференс-стекам d2-chain-online или d2-arbora-experts-online для ускорения генерации ответов Qwen3-8B на задачах программирования.
  • Воспроизвести онлайн-обучение на своих данных: использовать скрипты из связанного репозитория с кодом, чтобы пересобрать обучающую выборку из собственных промптов и повторить эксперимент.
  • Сравнить стратегии адаптации: протестировать разницу между полным дообучением драфтера и точечным добавлением одного эксперта при замороженной базе.

Пример

Для обновления весов на лету в запущенном сервере (на базе arbora-qwen3-8b-dflash2-drafter и arbora-qwen3-8b-experts-v2) отправляется HTTP-запрос POST /update_weights_from_disk с параметром load_format: arbora_online из директории arbora/online/.

ПодробнееБазовая модель: z-lab/Qwen3-8B-DFlash-b16
Данные обучения: ответы целевой модели на 20 000 SWE-запросов (сам датасет не опубликован, есть скрипты для генерации)
Параметры обучения dflash2: learning rate драфтера 1e-5
Лицензия: Apache 2.0
Discuss Telegram 0

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 2.2 GB · ready files2.9 GB
  • FP8 / INT8recommendedweights 1.1 GB1.7 GB
  • 4-bitweights 0.6 GB1.2 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.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

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.

    # arbora-anon/arbora-qwen3-8b-online-v2
    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 arbora-anon/arbora-qwen3-8b-online-v2 --local-dir ~/models/arbora-qwen3-8b-online-v2
    # 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 Qwen3-8B-DFlash-b16 (quants, finetunes, LoRAs) will show up under the bell.

Quantised versions 3All on Hugging Face
Fine-tunes 12All on Hugging Face

About the model

arbora-anon/arbora-qwen3-8b-online-v2
Author
arbora-anon
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

00

Ask AI about this model

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

Comments