К содержимому
Другое

Qwen3.6-35B-A3B-8V16D

большая MoE-модель для ПК с 8 ГБ VRAM и 16 ГБ ОЗУ

2 мин чтения

Специальная квантизация (сжатие весов для экономии памяти) модели Qwen3.6-35B-A3B от автора BoxyFit, настроенная под самую массовую конфигурацию игрового ПК: видеокарту с 8 ГБ VRAM и 16 ГБ оперативной памяти. Обычно 35-миллиардные MoE-модели (архитектура с «экспертами», где на каждый токен активируется лишь часть параметров) не помещаются в стандартные 16 ГБ ОЗУ на Windows, но здесь пул экспертов сжат до 9,36 GiB, а активные слои держатся в видеопамяти. Релиз представлен в двух вариантах — FTQ (адаптивная Trellis-квантизация для движка Strata) и FIQ (для llama.cpp, LM Studio и Ollama). Пригодится тем, кто хочет запускать крупную языковую модель локально с длинным контекстом без апгрейда железа.

Ключевые особенности

  • Работа в бюджете 12 GiB свободной ОЗУ: в отличие от стандартных сборок на 14,3 GiB, модель стабильно стартует на обычной системе с 16 ГБ RAM и запущенной ОС.
  • Два специализированных формата: флагманский файл 8V16D-FTQ выжимает максимум скорости в Strata, а 8V16D-FIQ совместим с популярными фронтендами на базе llama.cpp.
  • Поддержка длинного контекста: сохраняет рабочую скорость генерации на окнах 20K–56K токенов в Strata и вплоть до 98K токенов в LM Studio / Ollama.
  • Низкая перплексия при малом весе: по тесту wikitext-2 вариант FIQ превосходит по качеству сопоставимый по размеру пакет UD-IQ2_M (7.639 против 7.776).

Что можно сделать

  • Запустить в движке Strata на максимальной скорости: получить до 31,1 токена в секунду на контексте 20K и до 12,8 t/s на 56K на видеокарте уровня RTX 3070 Ti (8 ГБ).
  • Подключить в LM Studio или Ollama: импортировать GGUF-файл 8V16D-FIQ для локального чата и работы с большими документами (контекст до 98K) при потреблении всего 2,5 GiB VRAM.

Пример

strata --serve --native Qwen3.6-35B-A3B-8V16D-FTQ.gguf --max-context 56000 --mtp 2
ПодробнееТесты на RTX 3070 Ti (8 ГБ VRAM) + 16 ГБ RAM (лимит 12 GiB ОЗУ):
Strata (8V16D-FTQ, 10.7 GiB): 26.1 t/s на 20K и 11.8 t/s на 56K (7.6 GiB VRAM, 12 GiB RAM, ppl 7.547).
Strata (8V16D-FIQ, 11.0 GiB): 31.1 t/s на 20K и 12.8 t/s на 56K (7.8 GiB VRAM, 12 GiB RAM, ppl 7.639).
LM Studio / Ollama (8V16D-FIQ): 14.8 t/s на 20K, 14.0 t/s на 64K, 13.5 t/s на 98K (2.5 GiB VRAM, 14 GiB RAM).
В Strata используется спекулятивное декодирование MTP-2; FTQ работает только в Strata из-за кастомных ядер.
Обсудить Telegram 0

Запустится ли?

Только с выгрузкой в ОЗУ

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

  • GGUFвеса 22 GB · готовые файлы24 GB

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: GGUF — от RTX 5090

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.

    # BoxyFit/Qwen3.6-35B-A3B-8V16D
    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 BoxyFit/Qwen3.6-35B-A3B-8V16D --local-dir ~/models/Qwen3.6-35B-A3B-8V16D
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3.6-35B-A3B-8V16D
  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

Qwen/Qwen3.6-35B-A3B

Новые посты про версии Qwen3.6-35B-A3B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face
Слияния 4Все на Hugging Face

О модели

BoxyFit/Qwen3.6-35B-A3B-8V16D
Автор
BoxyFit
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

Другое

zils-lite-c5i5

zils-lite-c5i5
Языковые модели

Lanternfall-4B

Lanternfall-4B