Skip to content
Other

Qwen3.8-Flash-Next-WV-Hybrid-2.7bpw-SM120-v20

квантованная сборка под архитектуру NVIDIA Blackwell

2 min readupdated

Специализированная гибридная сборка модели Qwen/Qwen3.8-Flash-Next от автора Grawnch, сжатая до 2.7 bpw (бит на вес — метод сильного уменьшения объёма модели для экономии видеопамяти). Релиз заточен под «голое железо» видеокарт NVIDIA поколения Blackwell (архитектура sm_120, INT8 MMA) с разделением слоёв на «горячие» и «холодные» уровни, перераспределением весов в оперативную память (pinned W_emb) и спекулятивным декодированием DFlash2 (ускорение генерации за счёт предсказания нескольких токенов вперёд). Сборка пригодится инженерам и энтузиастам, запускающим крупные языковые модели на топовых GPU Blackwell с максимальной плотностью контекста и высокой пропускной способностью.

Ключевые особенности

  • Гибридная квантизация 2.7 bpw с разделением на Hot- (SWZ3_G16 / SWZ2_G64 / SWZ4_G32) и Cold-уровни (VQ4) для баланса между размером и точностью.
  • Специальная компоновка всех 48 слоёв под инструкции INT8 MMA архитектуры NVIDIA Blackwell (sm_120) с объединённым (fused) Top-20 SWZ8 LM head.
  • Поддержка спекулятивного декодирования DFlash2 с калибровкой через Block-32 Hessian GPTQ и диагональное масштабирование Schur-Hadamard.
  • Нулевое копирование эмбеддингов из хост-памяти (host zero-copy pinned W_emb), освобождающее видеопамять под длинный контекст.

Что можно сделать

  • Развернуть модель на видеокарте NVIDIA RTX PRO 6000 Blackwell (102 ГБ GDDR7) для локального инференса со скоростью до 197.06 токенов в секунду в режиме одного потока (B = 1 с DFlash2).
  • Использовать освободившийся объём VRAM для обработки сверхдлинных контекстов — телеметрия подтверждает автоматическое выделение до 1 841 536 токенов KV-кэша.
  • Применять сборку для высоконагруженного пакетного инференса (B = 30), где пропускная способность достигает 1304.75 tok/s при жадной генерации.

Пример

Модель поставляется в виде набора шардированных весов (layers_00_05.safetensors .. layers_42_47.safetensors, globals.safetensors, qsa_indexer.safetensors, dflash2_swz4_calibrated.safetensors), манифеста sm120_manifest.json, файлов токенизатора и логов верификации benchmarks/*.json для запуска в среде исполнения с поддержкой sm_120.

ПодробнееЖелезо и память: тестировалось на 1x NVIDIA RTX PRO 6000 Blackwell (101.97 GB GDDR7); статический расход VRAM составляет 49.333 GiB при b_max=32 и 256 страницах KV-кэша (32 768 токенов), максимум под KV-кэш — 1 841 536 токенов (14 387 страниц).
Скорость генерации: B = 1 Greedy/Sampled — 107.91 / 108.35 tok/s; с DFlash2 HybridTree-16 — 197.06 tok/s (tau = 4.695); при батче B = 30 — 1304.75 / 991.82 tok/s.
Качество относительно WV-3.5bpw: KLD на SelfGen_MathCode равен 0.041747 (совпадение Top-1 — 95.115%), на All_Unique_12282 — 0.288488 (CosSim 0.900949), на 1x8192 Sparse-QSA — 0.308771 (96.647% Top-5).
Детали калибровки: рекалибровка tap_recalib заняла 423.68 с (метод Full-Rank Block-32 Hessian GPTQ + Schur-Hadamard SPD Diagonal Gain).
Discuss Telegram 0 39

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 5.3 GB · ready files6.3 GB
  • FP8 / INT8recommendedweights 2.6 GB3.4 GB
  • 4-bitweights 1.5 GB2.1 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 5060 Ti 8GB

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.

    # Grawnch/Qwen3.8-Flash-Next-WV-Hybrid-2.7bpw-SM120-v20
    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 Grawnch/Qwen3.8-Flash-Next-WV-Hybrid-2.7bpw-SM120-v20 --local-dir ~/models/Qwen3.8-Flash-Next-WV-Hybrid-2.7bpw-SM120-v20
    # 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 (quants, finetunes, LoRAs) will show up under the bell.

Quantised versions 12All on Hugging Face
Fine-tunes 8All on Hugging Face

About the model

Grawnch/Qwen3.8-Flash-Next-WV-Hybrid-2.7bpw-SM120-v20
Author
Grawnch
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

390

Ask AI about this model

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

Comments