Skip to content
Computer vision

Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF

сжатая в 6 раз MoE-модель для кода с сохранением зрения

2 min readupdated

Исследователи из ISTA-DASLab выпустили специализированную версию мультимодальной модели Qwen3.8-Flash-Next (176.9B параметров), заточенную под программирование, работу с инструментами и анализ изображений. Авторы применили комбинированное сжатие: удалили ровно половину экспертов в архитектуре MoE (Mixture-of-Experts — сеть из множества специализированных подмоделей) и квантовали оставшиеся веса до 3.5 bpw (бит на параметр). В итоге модель уменьшилась с 354 ГБ в формате BF16 до 58.4 ГБ на диске, причём в оперативную или видеопамять достаточно загрузить лишь 29.6 ГБ основного шарда — остальное занимает таблица n-gram, которая может считываться напрямую с диска. Релиз пригодится разработчикам, желающим запускать мощную кодинговую и мультимодальную нейросеть локально на одном ускорителе с 32 ГБ памяти или через движок Strata на видеокартах от 8 ГБ VRAM.

Ключевые особенности

  • Целевой прунинг экспертов: с помощью метода RCO из 512 экспертов в каждом из 48 слоёв оставили только 256 (на каждый токен по-прежнему активируются 10), отбирая именно те блоки, которые отвечают за код, агентские сценарии, зрение и пространственное мышление.
  • Высокая плотность без просадки в коде: при эффективном битрейте 1.89 bpw на весь исходный трансформер модель сохраняет 100% точности базовой версии на бенчмарке LiveCodeBench v6 и 95.7% на SWE-bench Verified.
  • Поддержка мультимодальности: в калибровочную выборку при отборе экспертов включили визуальные данные, благодаря чему модель не ослепла и сохранила способность распознавать изображения и генерировать сложную векторную графику (SVG).
  • Разделение на два шарда GGUF: первый файл (29.6 ГБ) содержит веса трансформера, а второй (28.8 ГБ) — таблицу поиска n-gram в формате IQ4_NL (4.5 bpw), которую не обязательно держать в памяти.

Что можно сделать

  • Локальный ассистент программиста: подключить модель через llama.cpp или движок Strata (с локальным OpenAI-совместимым API) для рефакторинга, написания алгоритмов и работы в автономных агентских циклах по репозиториям.
  • Анализ скриншотов и интерфейсов: подавать на вход изображения вместе с текстовыми запросами для генерации или отладки вёрстки и SVG-схем.

Пример

hf download ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF --local-dir .
llama-cli -m IQ1_M/Qwen3.8-Flash-Next-GSQ-RCO-IQ1_M-00001-of-00002.gguf \
  -p "Refactor this function to be iterative." -ngl 99
ПодробнееМетрики (при xhigh reasoning effort): SWE-bench Verified — 79.20 (против 82.80 у базы BF16), LiveCodeBench v6 — 87.43 (на уровне базы 87.43).
Требования к памяти: 58.4 ГБ на диске (два обязательных шарда), 29.6 ГБ резидентной памяти; через сторонний движок Strata возможен запуск на одной видеокарте NVIDIA от 8 ГБ VRAM.
Ограничения: деградация качества в задачах общего назначения вне доменов кода, агентов и зрения является ожидаемым компромиссом метода; для универсальных задач авторы рекомендуют неурезанную версию GSQ-RCO.
Обновление от 17 октября 2026: уменьшено зацикливание генерации и улучшены показатели в коде (обновлён только первый шард).
Примеры
Discuss 678 910.3K

Will it run?

Won't run

Not enough memory even for 4-bit. Below are GPUs you can rent.

  • GGUF IQ1_Mweights 54 GB · ready files60 GB

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: Won't fit any home GPU — renting is cheaper.

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.

    # ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF
    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 ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF --local-dir ~/models/Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF
    # 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

ISTA-DASLab/Qwen3.8-Flash-Next-GSQ-RCO-Coder-GGUF
Author
ISTA-DASLab
Category
Computer vision
Released
Posted

On NeyroLearn

Hugging Face

910.3K678

Ask AI about this model

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

Comments