К содержимому
Языковые модели

Spark-X2.6-1.7B

компактная языковая модель с управляемым бюджетом мышления

2 мин чтенияобновлено

Модель от команды XHToken создана для эффективного запуска на локальном оборудовании и мобильных устройствах. Она базируется на архитектуре предшественницы Spark-X2.5-1.7B и улучшает качество генерации за счёт дообучения (post-training). Новинка демонстрирует сильные результаты в программировании, сложных многошаговых задачах и работе с длинным контекстом. Главная особенность — настраиваемые уровни рассуждения (thinking levels), которые позволяют гибко управлять скоростью ответов и расходом ресурсов.

Ключевые особенности

  • Улучшенное программирование и агенты: более точное выполнение сложных инструкций, софт-инженерия и продвинутый тул-юз (tool use).
  • Высокая скорость на устройстве: высокая скорость генерации токенов среди открытых моделей аналогичного размера.
  • Управляемый бюджет мышления: три уровня работы (none, low, high) для баланса между качеством рассуждений и задержкой.
  • Длинный контекст: эффективная обработка больших объемов информации в реальных сценариях.

Что можно сделать

  • Локальный ассистент: запустить модель локально через SGLang, vLLM или llama.cpp для конфиденциальных задач.
  • Интеграция со средами разработки: использовать возможности агента и генерации кода в локальных инструментах.
  • Инференс на железе: развернуть языковую модель на потребительских видеокартах или локальных серверах с поддержкой аппаратного ускорения.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "XHToken/Spark-X2.6-1.7B"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    trust_remote_code=True,
    torch_dtype="auto",
    device_map="auto",
)
messages = [{"role": "user", "content": "What is the capital of Anhui Province?"}]
inputs = tokenizer.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    enable_thinking=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)
outputs = model.generate(**inputs, max_new_tokens=131072, do_sample=True)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:], skip_special_tokens=True))
ПодробнееАрхитектура: 1.71 млрд параметров (1.7B).
Особенности обучения: сохраняет архитектуру Spark-X2.5-1.7B, улучшая возможности через post-training.
Гибкость режимов: переключение с high на low снижает среднюю длину вывода на 37.3%.
Интеграция: поддержка Transformers, SGLang, vLLM, MLX, llama.cpp и Ollama.
Обсудить Telegram 0 69

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 3.2 GB · готовые файлы4.2 GB
  • FP8 / INT8рекомендуемвеса 1.6 GB2.6 GB
  • 4-bitвеса 0.9 GB1.9 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.

Для текстовых моделей — с контекстом 8192 токенов.

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

Запуск на Massed Compute

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    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.

    # AlekseyCalvin/Spark-X2.6_ThreeJS_v3_1.7B_r128_2epochs — A30, FP8 / INT8
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
    uv pip install vllm
    vllm serve AlekseyCalvin/Spark-X2.6_ThreeJS_v3_1.7B_r128_2epochs --max-model-len 8192 --quantization fp8
  3. 3. Пользуйтесь

    Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.

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

XHToken/Spark-X2.6-1.7B-Base

Новые посты про версии Spark-X2.6-1.7B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 3Все на Hugging Face
Дообучения 5Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face

О модели

AlekseyCalvin/Spark-X2.6_ThreeJS_v3_1.7B_r128_2epochs
Автор
AlekseyCalvin
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

690

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Spark 2.0-code

Spark 2.0-code