К содержимому
Другое

Qwen3.5-2B-heretic-oQ8e-mtp

разблокированная компактная модель для Apple Silicon

2 мин чтенияобновлено

Это версия мультимодальной модели Qwen/Qwen3.5-2B объёмом 2,27 млрд параметров, из которой убрали встроенные отказы от ответов (decensored) с помощью инструмента Heretic v2.0.0. Модель дополнительно сжата методом смешанного квантования oQ (oMLX v0.7.3) для запуска на устройствах Apple Silicon через библиотеку MLX. В отличие от многих обрезанных версий, здесь сохранены как визуальный модуль, так и голова предсказания нескольких токенов (MTP — технология для ускорения генерации текста). Подойдёт владельцам Mac, которым нужна быстрая локальная нейросеть без цензуры.

Ключевые особенности

  • Полное снятие ограничений: уровень отказов на тестовом наборе снизился с 97/100 у оригинальной Qwen3.5-2B до 0/100 при минимальном отклонении поведения (KL divergence 0.1397).
  • Смешанное квантование oQ8e: 85% весов переведены в 8-битный формат (Affine 8-bit, group 64), а остальные 15% оставлены в BF16, что даёт в среднем 9,623 бита на параметр.
  • Сохранение всех модулей: модель включает языковую часть (1,882B), блок обработки изображений Vision (0,331B) и нетронутый модуль MTP (0,061B).
  • Компактный размер: весь чекпоинт занимает около 2,55 GiB (2,735 GB) на диске, что позволяет легко держать его в памяти даже на базовых Mac.

Что можно сделать

  • Запустить локальный текстовый или мультимодальный чат на Mac через фреймворк MLX или oMLX для работы с чувствительными темами без срабатывания фильтров.
  • Использовать в локальных скриптах и автоматизациях, где критична высокая скорость генерации благодаря сохранённой голове MTP и небольшому размеру весов.

Пример

В карточке модели приведены результаты проверки на снятие цензуры: на наборе из 100 провокационных или чувствительных запросов оригинальная Qwen/Qwen3.5-2B выдаёт отказ в 97 случаях из 100, тогда как Qwen3.5-2B-heretic-oQ8e-mtp отвечает на все 100 запросов (0/100 отказов) с сохранением исходного стиля генерации.

ПодробнееОтказы (Refusals): 0/100 против 97/100 у оригинала; KL divergence: 0.1397
Размер чекпоинта: 2.547 GiB (2.274B параметров, среднее 9.623 bits/weight)
Параметры абляции (ARA): слои 12–23, preserve_good_behavior_weight 0.9189
Формат и среда: MLX, квантовано с помощью oMLX v0.7.3 (обновлено 12.11.2026)
Обсудить Telegram 0 28

Запустится ли?

Запустится в U32

Влезает без сжатия.

  • U32веса 4.2 GB · готовые файлы5.2 GB
  • FP8 / INT8рекомендуемвеса 2.1 GB2.8 GB
  • 4-bitвеса 1.2 GB1.8 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 · U32 — 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.

    # bambocher/Qwen3.5-2B-heretic-oQ8e-mtp
    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 bambocher/Qwen3.5-2B-heretic-oQ8e-mtp --local-dir ~/models/Qwen3.5-2B-heretic-oQ8e-mtp
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3.5-2B-heretic-oQ8e-mtp
  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 Qwen3.5-2B-heretic-oQ8e-mtp — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

bambocher/Qwen3.5-2B-heretic-oQ8e-mtp
Автор
bambocher
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

280

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

SEL Qwen 4B

SEL Qwen 4B