К содержимому
Другое

WebGPU Chat graphs

ускоренные ONNX-графы для запуска LLM в браузере

2 мин чтенияобновлено

Набор модифицированных ONNX-графов без весов от разработчика AMINOXDEV, созданный для веб-приложения WebGPU Chat на базе transformers.js. В каждом файле у всех узлов com.microsoft.MatMulNBits параметр accuracy_level изменён на 4 — это позволяет движку ONNX Runtime (WebGPU) задействовать быстрый путь вычислений int8 DP4A при одновременной обработке 4 и более токенов промпта на видеокартах с поддержкой subgroups. Потоковая генерация по одному токену остаётся без изменений, а сами веса подгружаются напрямую из исходных репозиториев Qwen3.5 и Gemma 4. Инструмент пригодится разработчикам браузерных ИИ-приложений, которые хотят ускорить этап чтения длинных промптов (prefill) без переобучения моделей.

Ключевые особенности

  • Точечная оптимизация графа: изменено только значение accuracy_level = 4 в узлах MatMulNBits, все остальные узлы, входы и выходы остались прежними.
  • Ускорение обработки промптов: активирует int8 DP4A matmul в бэкенде WebGPU при пакетах от 4 токенов на совместимых GPU.
  • Работа с внешними весами: репозиторий содержит только лёгкие файлы структуры графа (.onnx), а веса берутся из оригинальных ревизий Qwen3.5-4B-ONNX-OPT и gemma-4-12B-it-ONNX.
  • Открытые лицензии: графы наследуют условия оригинальных моделей Qwen3.5 и Gemma 4 (Apache 2.0).

Что можно сделать

  • Ускорить браузерный чат на WebGPU: подменить стандартные файлы decoder_model_merged_q4f16.onnx в проектах на базе transformers.js и ONNX Runtime Web.
  • Сравнить производительность prefill-фазы: протестировать прирост скорости обработки длинных контекстов для Qwen3.5-4B и Gemma-4-12B (включая QAT-версию) на видеокартах с поддержкой subgroups.

Пример

В репозитории представлены три оптимизированных файла графов с привязкой к конкретным ревизиям весов:
• qwen3.5-4b-opt/decoder_model_merged_q4f16.onnx — берёт веса из onnx-community/Qwen3.5-4B-ONNX-OPT@bb07226.
• gemma-4-12b-qat/decoder_model_merged_q4f16.onnx — для версии с QAT Q4_0 весами и fused GroupQueryAttention (james58899/gemma-4-12B-it-qat-ONNX@60555e6).
• gemma-4-12b/decoder_model_merged_q4f16.onnx — для базовой квантованной версии (AMINOXDEV/gemma-4-12B-it-ONNX@90e0a27).

ПодробнееВеса моделей в репозитории отсутствуют и загружаются из указанных исходных ревизий.
Ускорение работает только при обработке от 4 токенов за раз и требует GPU с поддержкой subgroups.
Лицензии: Apache 2.0 (по правилам исходных моделей Qwen3.5 и Gemma 4).
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 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.

    # AMINOXDEV/webgpu-chat-graphs
    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 AMINOXDEV/webgpu-chat-graphs --local-dir ~/models/webgpu-chat-graphs
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к webgpu-chat-graphs
  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

Новые посты про версии webgpu-chat-graphs — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

AMINOXDEV/webgpu-chat-graphs
Автор
AMINOXDEV
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

Языковые модели

BotPsy 0.8B WebGPU

BotPsy 0.8B WebGPU