К содержимому
Другое

AREX-2-oQ5e-mtp

MLX-квант с MTP-ускорением

2 мин чтенияобновлено

Это oMLX-квант oQ5e модели BAAI/AREX-2 из семейства Qwen3.8-27B, к которому добавили обученную MTP-голову (multi-token prediction — предсказание нескольких токенов вперёд) для Lightning MTP speculative decoding. На практике модель быстрее генерирует текст за счёт спекулятивного декодирования: на M5 Pro замер показал 30,4–30,8 tok/s против 13,5 tok/s у версии без MTP, то есть примерно в 2,25 раза. При temperature 0 выходные токены совпадают с обычной AREX-2-oQ5e, так что ускорение не меняет результат. Бэкбон здесь тот же, что у AREX-2-oQ5e, а единственные добавления — файл model-mtp.safetensors на 0,36 ГБ и параметр mtp_num_hidden_layers = 1. Пригодится тем, кто запускает LLM локально через oMLX и хочет ускорить генерацию без замены основной модели.

Ключевые особенности

  • MTP-голова обучена именно под цель AREX-2 W8A16, а не взята как универсальная голова Qwen3.8.
  • Ускорение около 2,25× на M5 Pro: 30,4–30,8 tok/s против 13,5 tok/s на том же запросе.
  • Acceptance 82,5–84,0%, 3,1–3,5 токена за цикл; глубина-1 даёт 84–87%, глубина-3 — 81–83%.
  • Бэкбон байт-в-байт совпадает с AREX-2-oQ5e; добавлена только MTP-часть на 0,36 ГБ.
  • Донорская draft-голова удалена: по замерам её shortlist-скоррелировал с lm_head цели почти идеально, потери нет.

Что можно сделать

  • Ускорить локальную генерацию кода и текста в oMLX, включив настройку mtp_enabled.
  • Использовать как более быструю замену AREX-2-oQ5e: основной бэкбон тот же, меняется только режим декодирования.
  • Проверить спекулятивное декодирование на своих промптах при temperature 0 и сравнить скорость с версией без MTP.

Пример

В oMLX выберите модель и включите для неё mtp_enabled — при обнаружении oMLX включает MTP автоматически. На M5 Pro тот же запрос на 400 токенов кода дал 30,4–30,8 tok/s против 13,5 tok/s у AREX-2-oQ5e без MTP.

ПодробнееЗамеры: M5 Pro, greedy, 400 токенов, code prompt.
Acceptance: 260/315 (82,5%) и 241/287 (84,0%); 3,1–3,5 токена за цикл.
Скорость: 30,4–30,8 tok/s против 13,5 tok/s, примерно 2,25×.
Выход идентичен не-MTP модели при temperature 0; нужен oMLX с поддержкой MTP.
Обсудить Telegram 0 17

Запустится ли?

Запустится в 4-bit

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • U32веса 52 GB · готовые файлы57 GB
  • FP8 / INT8рекомендуемвеса 26 GB29 GB
  • 4-bitвеса 15 GB17 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.

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.

    # Estirius/AREX-2-oQ5e-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 Estirius/AREX-2-oQ5e-mtp --local-dir ~/models/AREX-2-oQ5e-mtp
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к AREX-2-oQ5e-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

Дообучение модели

BAAI/AREX-2
  1. Qwen3.8-27Bоснова семьи
  2. AREX-2
  3. AREX-2-oQ5e-mtp

Новые посты про версии Qwen3.8-27B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 2Все на Hugging Face

О модели

Estirius/AREX-2-oQ5e-mtp
Автор
Estirius
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

170

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

kcat–Km v3

kcat–Km v3