К содержимому
Другое

HDM-Qwen3.8-27B

умный переключатель режима рассуждений для Qwen

2 мин чтенияобновлено

Компактный модуль маршрутизации (1,31 млн параметров, вес всего 5,3 МБ) к статье «The Value of Thinking: Learning When to Reason in Hybrid Decision Models». Он подключается к замороженной базовой модели Qwen/Qwen3.8-27B и помогает ей не тратить лишние токены на долгие рассуждения там, где можно ответить сразу. Сначала основная нейросеть делает один быстрый проход без генерации текста, а блок оценивает скрытое состояние и восемь статистик этого ответа, предсказывая, улучшит ли цепочка рассуждений итоговый результат. Подойдёт разработчикам и исследователям, которые разворачивают крупные LLM и хотят гибко управлять балансом между точностью ответов и расходом вычислительных ресурсов.

Ключевые особенности

  • Оценивает четыре исхода: помогут ли рассуждения исправить ошибку быстрого ответа или, наоборот, только всё испортят.
  • Управляется порогом цены λ: его можно задавать индивидуально для каждого запроса без переобучения блока.
  • Почти не требует памяти — файл весов занимает 5,3 МБ, а сама базовая модель Qwen3.8-27B остаётся неизменной.
  • Работает через бэкенд SGLang 0.5.9 (поддерживается и transformers, но там из-за отличий в признаках маршрутизация может срабатывать иначе).

Что можно сделать

  • Подключить к серверу инференса на базе Qwen3.8-27B через утилиту hde-serve, чтобы снизить расход токенов рассуждения на простых вопросах с выбором ответа.
  • Настроить динамическую маршрутизацию запросов в API: передавать параметр lambda в поле routing, регулируя глубину «раздумий» под конкретную задачу.
  • Переобучить блок под собственную базовую модель, другой слой или точность вычислений — по словам авторов, подгонка занимает всего несколько минут.

Пример

from huggingface_hub import hf_hub_download
from hde.core.block import DecisionHead

path = hf_hub_download("fredreick/HDM-Qwen3.8-27B", "head-27b-mmlu-pro.safetensors")
block = DecisionHead.load(path)
ПодробнееБенчмарк MMLU-Pro (346 отложенных вопросов по химии, экономике и психологии): при λ = 0.05 точность составляет 89.0% (против 90.2% при постоянном включении рассуждений и 65.0% без них), при этом тратится 78% токенов рассуждений.
Бенчмарк JevBench (231 вопрос, без дообучения на нём): при λ = 0 точность достигает 98.7% против 99.1% в режиме «всегда думать» при 82% расхода токенов.
Обучение: 1 154 вопроса из MMLU-Pro (только формат multiple-choice) с бюджетом рассуждений 4 096 токенов.
Ограничения: привязан к конкретной ревизии Qwen/Qwen3.8-27B, слою -1 и readout coded; другие типы вопросов (не тесты) не проверялись, а безнадёжные вопросы блок всё равно часто отправляет в рассуждения.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 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 · BF16 — 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.

    # fredreick/HDM-Qwen3.8-27B
    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 fredreick/HDM-Qwen3.8-27B --local-dir ~/models/HDM-Qwen3.8-27B
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к HDM-Qwen3.8-27B
  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/Qwen3.8-27B

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

fredreick/HDM-Qwen3.8-27B
Автор
fredreick
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

Аудио

Vaani-3 ASR

Vaani-3 ASR
Компьютерное зрение

microduck-skill-agent

microduck-skill-agent