К содержимому
Другое

arbora-qwen3-8b-online-v2

адаптивные веса для ускорения инференса Qwen3-8B

2 мин чтения

Набор финальных весов для ускорения генерации текстов и кода базовой модели Qwen3-8B (на базе z-lab/Qwen3-8B-DFlash-b16) в задачах разработки ПО (SWE). Репозиторий является частью релиза исследования Arbora: Making Better Use of the Draft Tokens from Block Diffusion Drafters и содержит результаты трёх прогонов онлайн-обучения (дообучения модели прямо на потоке входящих запросов). В основе лежит подход с Block Diffusion Drafter — лёгкой моделью-черновиком, которая заранее предсказывает сразу блок токенов для ускорения основной LLM. Релиз пригодится разработчикам инференс-движков и исследователям, изучающим спекулятивное декодирование и адаптацию моделей на лету под поток реальных задач.

Ключевые особенности

  • Три варианта онлайн-адаптации: веса получены после обработки потока из 20 000 запросов по разработке программного обеспечения.
  • Конфигурация dflash2: полностью дообученный в онлайн-режиме драфтер (model.safetensors) и селектор путей (selector.safetensors).
  • Модульное расширение Arbora: два варианта с добавлением нового эксперта (new-expert при замороженных остальных компонентах и new-expert-and-path-scorer с одновременным обучением оценщика путей).
  • Горячая замена весов: файлы подготовлены для подгрузки в работающий сервер инференса без его остановки через API-запрос.

Что можно сделать

  • Развернуть быстрый сервер для кодинга: подключить веса к инференс-стекам d2-chain-online или d2-arbora-experts-online для ускорения генерации ответов Qwen3-8B на задачах программирования.
  • Воспроизвести онлайн-обучение на своих данных: использовать скрипты из связанного репозитория с кодом, чтобы пересобрать обучающую выборку из собственных промптов и повторить эксперимент.
  • Сравнить стратегии адаптации: протестировать разницу между полным дообучением драфтера и точечным добавлением одного эксперта при замороженной базе.

Пример

Для обновления весов на лету в запущенном сервере (на базе arbora-qwen3-8b-dflash2-drafter и arbora-qwen3-8b-experts-v2) отправляется HTTP-запрос POST /update_weights_from_disk с параметром load_format: arbora_online из директории arbora/online/.

ПодробнееБазовая модель: z-lab/Qwen3-8B-DFlash-b16
Данные обучения: ответы целевой модели на 20 000 SWE-запросов (сам датасет не опубликован, есть скрипты для генерации)
Параметры обучения dflash2: learning rate драфтера 1e-5
Лицензия: Apache 2.0
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 2.2 GB · готовые файлы2.9 GB
  • FP8 / INT8рекомендуемвеса 1.1 GB1.7 GB
  • 4-bitвеса 0.6 GB1.2 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.

    # arbora-anon/arbora-qwen3-8b-online-v2
    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 arbora-anon/arbora-qwen3-8b-online-v2 --local-dir ~/models/arbora-qwen3-8b-online-v2
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к arbora-qwen3-8b-online-v2
  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

z-lab/Qwen3-8B-DFlash-b16

Новые посты про версии Qwen3-8B-DFlash-b16 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 3Все на Hugging Face
Дообучения 12Все на Hugging Face

О модели

arbora-anon/arbora-qwen3-8b-online-v2
Автор
arbora-anon
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