К содержимому
Компьютерное зрение

Qwen3.8-Flash-Next-exl3-4.05bpw

квантованное превью архитектуры Qwen4

2 мин чтенияобновлено

Перед вами квантованная версия (EXL3, 4.05 бита на вес) экспериментальной мультимодальной модели Qwen3.8-Flash-Next от команды Qwen, подготовленная автором andrevp. Модель работает с текстом и изображениями (Causal Language Model с Vision Encoder) и демонстрирует архитектуру будущего поколения Qwen4. При общем объёме в 125B параметров (плюс 51B параметров N-gram эмбеддингов и 4B MTP) при генерации одного токена активируется всего 6B параметров благодаря схеме MoE (Mixture of Experts — разреженная архитектура, где для каждого токена включается лишь малая часть нейросети). По сравнению с обычными плотными моделями она заметно быстрее обрабатывает длинный контекст и поддерживает окна до 1 000 000 токенов. Релиз пригодится разработчикам агентов, программистам и энтузиастам локального запуска крупных VLM на GPU с ограниченной видеопамятью.

Ключевые особенности

  • Гибридное внимание с Qwen Sparse Attention (QSA) и Gated DeltaNet: обработка идёт на уровне микроблоков, что сильно снижает задержки на длинном контексте в агентских задачах.
  • N-gram Embedding (51B параметров): индексация биграммами и триграммами позволяет масштабировать знания модели с меньшими затратами вычислений и удобной выгрузкой из видеопамяти.
  • Разреженная MoE-архитектура: из 512 экспертов для каждого токена активируются только 10 маршрутизируемых и 1 общий (итого 6B активных параметров).
  • Мультимодальность и сверхдлинный контекст: встроенный Vision Encoder для понимания изображений и окно 262 144 токена нативно с расширением до 1 000 000 токенов.
  • Квантование EXL3 (4.05bpw): сжатие весов до ~4 бит на параметр делает запуск крупной 125B-модели доступнее на локальном железе.

Что можно сделать

  • Поднять локального агента для программирования и работы с большими репозиториями благодаря высоким результатам в агентском кодинге и контексту до 1M токенов.
  • Анализировать длинные документы, скриншоты интерфейсов и изображения в мультимодальном режиме через локальный сервер инференса.
  • Использовать в автоматизированных пайплайнах и чат-ботах, где важен быстрый отклик при большом объёме истории диалога.

Пример

В карточке репозитория не приведён готовый сниппет для запуска квантованной EXL3-сборки. Типовой сценарий использования: загрузить веса в движок инференса с поддержкой формата EXL3 (например, ExLlamaV3 / TabbyAPI), подать на вход изображение вместе с технической документацией или кодовой базой (до 262K–1M токенов) и получить разбор задачи или патч для репозитория.

ПодробнееБенчмарки оригинала Qwen3.8-Flash-Next: SWE-bench Multilingual — 81.0, SWE-bench Pro — 62.5, DeepSWE 1.1 — 58.7.
Архитектура: 48 слоёв, 512 экспертов (10 routed + 1 shared), 1 слой MTP (Multi-Token Prediction) для ускорения генерации.
Примечание: в метаданных репозитория указано 33.83B параметров (с учётом сжатия EXL3), оригинальная модель содержит 125B основных + 51B N-gram + 4B MTP параметров.
Управляемая облачная версия с встроенными инструментами доступна в Qwen Cloud под названием Qwen3.8-Flash.
Обсудить Telegram 0 21

Запустится ли?

Запустится в 4-bit

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • I16веса 63 GB · готовые файлы70 GB
  • FP8 / INT8рекомендуемвеса 32 GB35 GB
  • 4-bitвеса 18 GB20 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: 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.

    # andrevp/Qwen3.8-Flash-Next-exl3-4.05bpw
    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 andrevp/Qwen3.8-Flash-Next-exl3-4.05bpw --local-dir ~/models/Qwen3.8-Flash-Next-exl3-4.05bpw
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3.8-Flash-Next-exl3-4.05bpw
  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 Qwen3.8-Flash-Next-exl3-4.05bpw — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

andrevp/Qwen3.8-Flash-Next-exl3-4.05bpw
Автор
andrevp
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

210

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

STELLA-RSI-27b

STELLA-RSI-27b