К содержимому
Языковые модели

Qwen-GPU

скомпилированный SIMT-процессор внутри языковой модели

2 мин чтенияобновлено

Исследовательский чекпоинт от автора arpjw, который объединяет языковую модель Qwen3.5-9B со скомпилированным SIMT-процессором (архитектура параллельных вычислений, как в видеокартах). На практике модель умеет исполнять загруженные в неё GPU-инструкции прямо в своём рекуррентном состоянии, сохраняя при этом способность генерировать обычный текст. По сравнению с базовой Qwen3.5-9B здесь добавлены 53 скомпилированных слоя перед текстовой частью, а общий размер вырос до 43.15B параметров. Пригодится исследователям архитектуры нейросетей и тем, кто экспериментирует с выполнением вычислений и алгоритмов непосредственно внутри весов трансформеров.

Ключевые особенности

  • Гибридная архитектура: перед текстовой башней Qwen3.5-9B добавлены 53 слоя схемы, скомпилированной с помощью Qwenputer, а размер скрытого состояния расширен с 4096 до 7936.
  • Специальный протокол токенов: под инструкции SIMT и передачу состояний зарезервировано 212 992 ID токенов, при этом текстовый токенизатор остался оригинальным.
  • Параллельные вычисления: поддерживаются два 8-поточных варпа (warp) на рабочую группу, до четырёх последовательных групп, 32 инструкции на варп и 512 байт программируемой глобальной памяти.
  • Два режима выхода: модель сохраняет раздельные пути вывода для генерации обычного текста и для исполнения GPU-кода.

Что можно сделать

  • Запускать через лаунчеры QwenGPU целочисленные вычислительные ядра прямо внутри модели — например, сложение 64-элементных векторов, двухпроходную редукцию или умножение матриц 8×4 на 4×4.
  • Тестировать переиспользование глобальной памяти между запусками ядер без повторной загрузки данных и отслеживать остановки или дедлоки (взаимные блокировки) в процессе генерации.
  • Использовать модель в исследовательских экспериментах для проверки того, насколько точно скомпилированные схемы сохраняют исходную текстовую генерацию базовой модели.

Пример

checkpoint=./Qwen-GPU-v3
hf download arpjw/Qwen-GPU \
  --revision fe671778a2409a218dde757871f33f5ca46d9219 \
  --exclude .gitattributes --local-dir "$checkpoint"

python -m qwengpu.run_resident eval/frozen/tile8_gate_v1/dense_seeded.json \
  --model "$checkpoint" --device cuda --check-reference --out result.json
ПодробнееВерификация: CUDA-прогон совпал на 26 225 сгенерированных токенах по 1 972 инструкциям, прошёл 27 из 27 tile-тестов и 24 из 24 первых текстовых токенов.
Железо: объединённые веса занимают около 86 ГБ, тестирование проводилось на видеокарте CUDA с 96 ГБ VRAM.
Ограничения: поддерживается только ограниченная целочисленная арифметика, каждый выдаваемый токен требует одного прямого прохода (forward pass) модели.
Версии: в репозитории выложена проверенная версия v3 (Apple MPS пока в работе), а v4 доступна через релизы на GitHub.
Примеры
Обсудить Telegram 0 21

Запустится ли?

Только с выгрузкой в ОЗУ

Даже 4-bit больше видеопамяти. Часть слоёв можно держать в оперативной памяти (llama.cpp, ComfyUI), но работать будет в разы медленнее.

  • BF16веса 80 GB · готовые файлы84 GB
  • FP8 / INT8рекомендуемвеса 40 GB43 GB
  • 4-bitвеса 23 GB26 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.

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 RTX A6000

    $0.43 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.

    # arpjw/Qwen-GPU — RTX A6000, 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 arpjw/Qwen-GPU --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к Qwen-GPU
  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

Qwen/Qwen3.5-9B
  1. Qwen3.5-9B-Baseоснова семьи
  2. Qwen3.5-9B
  3. Qwen-GPU

Новые посты про версии Qwen3.5-9B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 6Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

arpjw/Qwen-GPU
Автор
arpjw
Категория
Языковые модели
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

MedJev-4B

MedJev-4B