К содержимому
Языковые модели

Qwen3.8-Flash-Next Gyro-Coder

125B модель для кода на одной видеокарте 24 ГБ

2 мин чтенияобновлено

Qwen3.8-Flash-Next Gyro-Coder — это специализированная GGUF-сборка огромной языковой модели Qwen/Qwen3.8-Flash-Next (125B параметров, архитектура MoE — смесь экспертов) от команды agentionai. Разработчики вырезали половину экспертов, оставив только те 256 из 512 в каждом слое, которые отвечают за программирование, и сжали веса собственным trellis-кодером до 2.125–3.2 бит на вес. В результате модель помещается в одну потребительскую видеокарту уровня RTX 3090, 4090 или 7900 XTX, сохраняя почти полное совпадение по предсказаниям с оригиналом на задачах кодинга. Подойдёт разработчикам, которым нужен мощный локальный ассистент для написания, рефакторинга и отладки кода.

Ключевые особенности

  • Умный прунинг экспертов: эволюционный отбор оставил в GPU только 65B активных параметров, критичных для программирования.
  • Две версии под разную VRAM: базовый TQ2_0 занимает 19.92 GiB (влезает в 24 ГБ даже с контекстом 64k), а Gyro-Coder-L (TQ3_0) требует 27.54 GiB для карт на 32 ГБ.
  • Надёжные вызовы инструментов (v1.2): в обновлённой версии вернули трёх важных экспертов, полностью убрав поломки тегов при tool calls в агентских сессиях.
  • Облегчённая загрузка (-noPLE): таблицу n-грамм (PLE) можно скачать отдельно один раз, уменьшив размер файла модели с 75.8 ГБ до 21.4 ГБ.

Что можно сделать

  • Подключить к IDE или агентским системам: поднять локальный OpenAI-совместимый API и направить туда плагин редактора для автодополнения и мультифайловых правок.
  • Автоматизировать рефакторинг и багфиксинг: передавать модели трейсы ошибок, SQL-запросы или код на C++, Python, TypeScript и Rust по чётким инструкциям.
  • Запускать в кодинг-агентах с tool calls: версия Gyro-Coder-L v1.2 прошла 292 вызова инструментов в агентских задачах без единой ошибки форматирования.

Пример

hf download agentionai/Qwen3.8-Flash-Next-Gyro-Coder-GGUF Qwen3.8-Flash-Next-Gyro-Coder-TQ2_0.gguf --local-dir ~/models
docker run --rm -it --gpus all -e NVIDIA_DRIVER_CAPABILITIES=all \
  -v ~/models:/models -p 8080:8080 agentionai/agention-llama:server \
  -m /models/Qwen3.8-Flash-Next-Gyro-Coder-TQ2_0.gguf -ngl 999 -fa on --jinja --ngram-on-disk -c 65536
ПодробнееКачество: top-1 совпадение с полной моделью Q8_0 составляет 94.5% на C++ и 93.1% на Python (у версии Gyro-Coder-L — 95.5% и 94.0%); в автотестах пройдено 13 из 16 задач.
Железо и требования: для веса 19.92 GiB (21.1 GiB с контекстом 64k в q8_0) нужна карта с 24 ГБ VRAM и быстрый NVMe-диск для выгрузки таблицы n-грамм (--ngram-on-disk).
Ограничения: стандартный llama.cpp, Ollama и LM Studio формат не поддерживают — нужен форк от agentionai или strix-llama.cpp; общие знания и таблицы символов (например, греческий алфавит) ослаблены из-за удаления половины экспертов.
Обсудить 89 64,7 тыс.

Запустится ли?

Не запустится

Не хватает памяти даже для 4-bit. Ниже — где арендовать подходящую видеокарту.

  • GGUF TQ3_0веса 106 GB · готовые файлы117 GB
  • GGUF TQ2_0веса 91 GB · готовые файлы100 GB

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: В домашние видеокарты не поместится — выгоднее арендовать.

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.

    # agentionai/Qwen3.8-Flash-Next-Gyro-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 agentionai/Qwen3.8-Flash-Next-Gyro-Coder-GGUF --local-dir ~/models/Qwen3.8-Flash-Next-Gyro-Coder-GGUF
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3.8-Flash-Next-Gyro-Coder-GGUF
  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.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Дообучение модели

Qwen/Qwen3.8-Flash-Next

Новые посты про версии Qwen3.8-Flash-Next — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 8Все на Hugging Face

О модели

agentionai/Qwen3.8-Flash-Next-Gyro-Coder-GGUF
Автор
agentionai
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

64,7 тыс.89

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии