К содержимому
Другое

Qwen3.5-9B-MTP

недостающая MTP-голова для ускорения Qwen3.5-9B

2 мин чтенияобновлено

Это отдельный модуль предсказания нескольких токенов (MTP draft head) для языковой модели Qwen/Qwen3.5-9B, упакованный в один файл весом ~464 MiB. В квантованной сборке z-lab/Qwen3.5-9B-PARO в конфиге заявлен слой MTP, но сами веса отсутствуют — из-за этого при включении speculative decoding (метода ускорения генерации за счёт чернового предсказания токенов) vLLM создаёт слой со случайными весами и отклоняет 100% черновиков. Репозиторий содержит оригинальные неизменённые BF16-веса из базовой модели Qwen3.5-9B (источник — guru87/Qwen3.5-9B-MTP, адаптировано для запуска через Basalt на macOS). Пригодится разработчикам, которые разворачивают квантованную Qwen3.5-9B локально и хотят включить ускорение генерации без скачивания полного чекпоинта.

Ключевые особенности

  • Чистые веса из оригинала: 15 тензоров в формате BF16, извлечённых напрямую из публичной Qwen/Qwen3.5-9B без каких-либо модификаций.
  • Поддержка Speculative Decoding: позволяет запускать черновую генерацию в vLLM и Basalt с реальным принятием токенов (~72% в среднем по позициям).
  • Компактный размер: один файл mtp.safetensors объёмом около 464 MiB вместо скачивания многогигабайтных шардов базовой модели.
  • Проверка целостности: в комплекте идёт файл SHA256SUMS для сверки контрольных сумм каждого тензора с оригиналом.

Что можно сделать

  • Починить speculative decoding в vLLM: встроить MTP-голову в директорию с моделью z-lab/Qwen3.5-9B-PARO через утилиту paroquant-inject-mtp без дублирования 14 ГБ основных весов.
  • Запустить на Mac: поднять модель с активным режимом --mtp и REST API через инструмент Basalt на macOS 27+ (Apple Silicon) без установки Python.

Пример

basalt serve --model goodmai/Qwen3.5-9B-MTP --mtp --rest

# Или интеграция в PARO-сборку для vLLM:
paroquant-inject-mtp \
    --paro ./Qwen3.5-9B-PARO \
    --mtp-from ./Qwen3.5-9B-MTP/mtp.safetensors \
    --output ./Qwen3.5-9B-PARO-MTP
ПодробнееЗамеры на одной GPU с 24 ГБ VRAM (paroquant + этот MTP, num_spec=2): ~120 tok/s в однопоточном greedy-режиме, средний процент принятия черновых токенов — ~72%.
Мультимодальный vision-энкодер в связке работает корректно.
Ограничение: из-за шума INT4-квантования в paroquant процент принятия ниже, чем у старшей версии на 27B (~92%), поэтому итоговый прирост скорости на 9B может быть небольшим — стоит тестировать под конкретную нагрузку.
Лицензия: Apache 2.0 (унаследована от Qwen/Qwen3.5-9B).
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.5 GB · готовые файлы1.0 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.7 GB
  • 4-bitвеса 0.1 GB0.6 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.

    # goodmai/Qwen3.5-9B-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 goodmai/Qwen3.5-9B-MTP --local-dir ~/models/Qwen3.5-9B-MTP
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3.5-9B-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

Qwen/Qwen3.5-9B
  1. Qwen3.5-9B-Baseоснова семьи
  2. Qwen3.5-9B
  3. Qwen3.5-9B-MTP

Новые посты про версии Qwen3.5-9B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 6Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

goodmai/Qwen3.5-9B-MTP
Автор
goodmai
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