К содержимому
Языковые модели

Qwen3.8-Flash-Next-Brisk-Coder

оптимизированная версия для программирования и агентных задач

2 мин чтения

Модель представляет собой специализированную версию базовой архитектуры Brisk, созданную путем удаления половины экспертов в каждом слое с использованием маски от ISTA-DASLab. Автор оставил 256 экспертов из 512, оптимизировав модель под код и агентные задачи при сохранении высокой скорости работы и полного блока MTP (Multi-Token Prediction). За счет сокращения активных экспертов модель требует меньше оперативной памяти для запуска, сохраняя при этом точность на сложных задачах программирования. Она отлично подойдет разработчикам, использующим локальные среды на Apple Silicon для написания и отладки кода.

Ключевые особенности

  • Уменьшение потребления памяти: маршрутизируемые эксперты занимают вдвое меньше памяти (около 44 ГБ с таблицей n-грам на SSD вместо 86 ГБ у оригинала).
  • Специализация на коде: применены маски экспертов для кодинга, агентных сценариев и работы с визуальными данными.
  • Сохраненный MTP-блок: полный блок предсказания нескольких токенов оставлен без изменений для поддержания высокой скорости генерации.
  • Высокая производительность: модель демонстрирует отличные результаты на бенчмарках генерации кода (LiveCodeBench).

Что можно сделать

  • Писать и отлаживать код: использовать модель в локальных средах (например, oMLX) для генерации кода на разных языках программирования с включенным режимом размышлений (thinking mode).
  • Тестировать агентные задачи: применять модель для автоматизации задач разработки, требующих глубокого анализа контекста.
  • Интегрировать в локальный рабочий процесс: запускать модель на Mac с поддержкой Apple Silicon для эффективной локальной разработки без отправки данных в облако.

Пример

hf download blazkepa/Qwen3.8-Flash-Next-Brisk-Coder-oQ4e-MTP \
  --local-dir ~/.omlx/models/blazkepa/Qwen3.8-Flash-Next-Brisk-Coder-oQ4e-MTP

omlx restart
ПодробнееБенчмарки: LiveCodeBench pass@1 — 77% (против 63% у базовой модели и 68% у версии без LoRA).
Требования к железу: около 79 ГБ в RAM на Mac со 128 ГБ или около 44 ГБ при выгрузке таблицы n-грам на SSD.
Ограничения: за пределами кодинга качество падает (MMLU снижается с 89 до 77%), польский чат сломан.
Библиотека: mlx, овердрайв через oMLX 0.8.0 на macOS.
Обсудить Telegram 0 17

Запустится ли?

Не запустится

Не хватает памяти даже для 4-bit. Ниже — где арендовать подходящую видеокарту.

  • U32веса 223 GB · готовые файлы224 GB
  • FP8 / INT8рекомендуемвеса 111 GB113 GB
  • 4-bitвеса 63 GB64 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 4× RTX A6000

    $1.71 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.

    # blazkepa/Qwen3.8-Flash-Next-Brisk-Coder-oQ4e-MTP — 4× 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 blazkepa/Qwen3.8-Flash-Next-Brisk-Coder-oQ4e-MTP --max-model-len 8192 --quantization fp8 --tensor-parallel-size 4
  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

  1. Qwen3.8-Flash-Nextоснова семьи
  2. Qwen3.8-Flash-Next-oQ4e-WLSRefit-MTP
  3. Qwen3.8-Flash-Next-norev-oQ4e-MTP
  4. Qwen3.8-Flash-Next-Brisk-oQ4e-MTP
  5. Qwen3.8-Flash-Next-Brisk-Coder-oQ4e-MTP

Новые посты про версии Qwen3.8-Flash-Next — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 8Все на Hugging Face

О модели

blazkepa/Qwen3.8-Flash-Next-Brisk-Coder-oQ4e-MTP
Автор
blazkepa
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

170

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

RavenX-CyberAgent

RavenX-CyberAgent
Языковые модели

Qwen3.5-9B-Guard

Qwen3.5-9B-Guard