Skip to content
Computer vision

Qwen3.8-27B-Coder390-EfficientThink

быстрый мультимодальный кодер без лишней «воды» в рассуждениях

3 min readupdated

Мультимодальная языковая модель (работает с текстом, изображениями и видео) на базе Qwen3.8-27B от автора nerkyor, дообученная с упором на программирование и лаконичные рассуждения. Оригинальная Qwen3.8-27B страдает от привычки зацикливаться: уже получив ответ, она продолжает перепроверять себя, пока не упрётся в лимит генерации 94K токенов без итогового результата. Чтобы исправить это, модель прошла несколько раундов SFT и RLOO (метод обучения с подкреплением, где длинные верные рассуждения поощряются, а затянутые ошибочные штрафуются) на траекториях от Opus5.5, GPT6Astra, DSV4Pro и K3. Модель подойдёт разработчикам и исследователям, которым нужен сильный локальный кодер и VLM с предсказуемой длиной генерации.

Ключевые особенности

  • Меньше обрывов на 94K токенах: количество упёршихся в лимит генераций снизилось с 4 до 1 на GPQA и с 13 до 3 на LCB (для static FP8) по сравнению с базовой Qwen3.8-27B.
  • Рост качества без просадок: в static FP8 модель набирает 178/198 на GPQA, 450/500 на MMLU и 90/100 на LCB против 177 / 444 / 83 у оригинала.
  • Спекулятивное декодирование до 180 tok/s: поддерживаются два взаимоисключающих режима ускорения — DFlash2 (около 180 tok/s на запрос) и встроенная голова MTP (91 tok/s) против ~46 tok/s без спекуляции.
  • Богатый выбор форматов и квантований: в репозитории доступны BF16, static FP8 Block128, NVFP4 (W4A16, W4A4, W4A4-W8A8), INT4, INT8, а также сборки GGUF (Q2, Q3, Q4, Q6_K, Q8_0) и NInfer.

Что можно сделать

  • Встроить в пайплайн разработки кода: развернуть версию BF16, FP8 или NVFP4 в SGLang (или FP8 / INT4 в vLLM) для генерации и отладки сложных алгоритмов без риска получить пустой ответ из-за бесконечного цикла размышлений.
  • Запустить локальный мультимодальный ассистент: использовать полные safetensors-сборки (текст + изображения + видео) или INT4/INT8 W8A16 (текст + изображения) для анализа скриншотов интерфейсов, графиков и документации.
  • Ускорить инференс на одиночных запросах: подключить черновую модель DFlash2 или встроенную BF16 MTP-голову в SGLang, чтобы поднять скорость генерации с 46 до 91–180 tok/s.

Пример

В карточке приведён протокол запуска и оценки качества в SGLang: используется контекст 100K, лимит генерации 94 208 токенов, черновая модель DFlash2 для спекулятивного декодирования и веса в форматах BF16, Static FP8 или NVFP4 (например, NVFP4 W4A4 или Static FP8 Block128) без необходимости пропатчивать движок.

ПодробнееБенчмарки (Static FP8): GPQA 178/198 (медиана рассуждений 2 966 токенов против 5 299 у оригинала), MMLU 450/500, LCB 90/100.
NVFP4 W4A4: LCB 92/100, GPQA 167/198, MMLU 440/500.
Тестовое железо: 2× RTX PRO 6000 для BF16/FP8 (C8 на карту) и 1× RTX PRO 6000 для NVFP4 и NInfer.
Ограничения: файлы .ninfer запускаются только в движке NInfer (SGLang, vLLM, llama.cpp и transformers их не поддерживают); DFlash2 и MTP нельзя включать одновременно.
Примеры
Discuss 591 885.4K

Will it run?

Only with RAM offload

Even GGUF Q6_K is larger than your VRAM. Some layers can stay in system RAM (llama.cpp, ComfyUI), but it will be several times slower.

  • GGUF Q8_0recommendedweights 30 GB · ready files34 GB
  • GGUF Q6_Kweights 22 GB · ready files24 GB

Tip: go 8-bit.GGUF Q8_0 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: 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.

    # nerkyor/Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2
    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 nerkyor/Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2 --local-dir ~/models/Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2
    # 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 Qwen3.8-27B-EfficientThink-Uncensored-K3-Opus5-Grok4.6-GPT5.6Sol-SFT-SimPO-DFlash2 (quants, finetunes, LoRAs) will show up under the bell.

Quantised versions 8All on Hugging Face
Fine-tunes 2All on Hugging Face

About the model

nerkyor/Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2
Author
nerkyor
Category
Computer vision
Released
Posted

On NeyroLearn

Hugging Face

885.4K591

Ask AI about this model

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

Comments