К содержимому
Другое

Qwen3-4B → Qwen3-8B bridge

KV-мост для ускорения генерации

3 мин чтенияобновлено

Qwen3-4B → Qwen3-8B bridge — это обученный KV-мост (проекционные матрицы, переводящие внутреннюю память одной модели в пространство другой), который связывает Qwen3-4B и Qwen3-8B. Младшая модель (4B) читает весь промпт, а мост преобразует её скрытые состояния в KV-кэш (key/value память внимания), который ожидает старшая модель (8B) — в итоге 8B читает лишь один токен промпта и сразу начинает отвечать. Проект создан автором agentic-underground в рамках реализации PrattleNot по методу LatentPort (arXiv:2609.25053) от Саймона Виллани. В отличие от обычного speculative decoding, где большая модель проверяет черновики, здесь большая модель вообще не тратит время на обработку всего входного текста, сохраняя при этом качество ответов. Решение пригодится инженерам и исследователям, которые оптимизируют задержку до первого токена (TTFT) при инференсе.

Ключевые особенности

  • Ускорение старта ответа: на двух видеокартах RTX 3090 в формате bf16 время до первого токена (TTFT) на промптах длиной ~256 токенов сокращается в 1.12× по сравнению с обычным прогоном Qwen3-8B.
  • Высокая точность переноса памяти: показатель NCR (native-closure ratio — доля разрыва по loss между чтением «вслепую» и полным чтением промпта, которую закрывает мост) достигает 0.890, а в тестовом наборе из 7 вопросов модель даёт все 7 правильных ответов.
  • Компактный размер файла: веса моста упакованы в один файл qwen3-4b-to-8b.safetensors объёмом 760 MB с лицензией Apache-2.0 и не содержат весов самих базовых моделей.
  • Линейные проекции и коррекция: мост построен на гребневой регрессии (ridge regression) по двум срезам residual stream модели 4B с добавлением обучаемой ранг-4 коррекции.

Что можно сделать

  • Ускорить prefill в локальных пайплайнах: использовать связку Qwen3-4B и Qwen3-8B через движок prattle_core::bridge на Rust в проекте PrattleNot для сокращения задержки на длинных промптах.
  • Изучить перенос представлений между LLM: использовать готовые матрицы k. и v. для экспериментов с межмодельным маппингом слоёв и воспроизведения результатов статьи LatentPort.
  • Сравнить с другими мостами линейки: протестировать этот переход вместе с соседними вариантами релиза для Qwen3 (0.6B → 1.7B) и Qwen3.5 (0.8B → 2B, 4B → 9B).

Пример

PRATTLE_SOURCE_DTYPE=bf16 PRATTLE_TARGET_DTYPE=bf16 PRATTLE_DEVICES=cuda:0,cuda:1 just speedup models/Qwen3-4B models/Qwen3-8B models/bridges/qwen3-4b-to-8b.safetensors 256
ПодробнееМетрики: NCR 0.890 (с обученной коррекцией); посимвольный/потокенный loss 8B на собственном ответе — 0.291 через мост против 0.089 при полном чтении и 1.923 без чтения промпта.
Железо: замеры скорости проводились на двух RTX 3090 (4B на одной карте, 8B на другой, обе в bf16), теоретический потолок ускорения на этой паре карт — 1.61×.
Обучение: калибровка на 451 шаблонном вопросе (46 319 строк из ответов до 192 токенов, режим thinking у Qwen3 отключён), ранг-4 коррекция обучалась 3 эпохи через замороженную 8B.
Ограничения: файл не совместим напрямую с библиотекой transformers и требует рантайм prattle_core::bridge из репозитория PrattleNot, а также отдельно скачанные веса Qwen/Qwen3-4B и Qwen/Qwen3-8B.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.7 GB · готовые файлы1.3 GB
  • FP8 / INT8рекомендуемвеса 0.4 GB0.9 GB
  • 4-bitвеса 0.2 GB0.7 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # agentic-underground/qwen3-4b-to-8b-bridge
    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 agentic-underground/qwen3-4b-to-8b-bridge --local-dir ~/models/qwen3-4b-to-8b-bridge
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к qwen3-4b-to-8b-bridge
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

Qwen/Qwen3-4B
  1. Qwen3-4B-Baseоснова семьи
  2. Qwen3-4B
  3. qwen3-4b-to-8b-bridge

Новые посты про версии Qwen3-4B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 2Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

agentic-underground/qwen3-4b-to-8b-bridge
Автор
agentic-underground
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

KORMo-Web-9B

KORMo-Web-9B