К содержимому
Компьютерное зрение

Hy4-Flash-WV-v6

запуск огромной мультимодальной модели на одной видеокарте

2 мин чтенияобновлено

Новая сборка популярной мультимодальной модели tencent/Hy4-flash с квантованием 2.50 bpw адаптирована специально под чипы Blackwell (архитектура SM120). Оригинальный чекпоинт весит более 500 ГБ и требует серверный кластер, а эта версия сжата до 52.5 ГБ веса и способна работать на одной потребительской видеокарте вроде RTX 5090 (с ограничением VRAM) или RTX PRO 6000. Модель поддерживает работу с текстом, изображениями, генерацию мыслительных цепочек (reasoning) и инструмент вызова функций (tool calls). Релиз пригодится разработчикам и энтузиастам, желающим протестировать тяжелую современную архитектуру локально.

Ключевые особенности

  • Запуск на одной карте: Сжатие backbone-весов до 52.51 ГБ с выгрузкой тяжелых Engram-данных в хост-память (mmap) без использования VRAM.
  • Спекулятивная генерация: Встроенный драфтер DFly2 (0.85B) ускоряет генерацию токенов (до 55–229 токенов в секунду).
  • Мультимодальность: Полная поддержка обработки изображений через встроенный SigLIP2 ViT.
  • Интеграция с OpenAI API: Поставляется со встроенным сервером для быстрого развертывания и поддержки веб-интерфейсов.

Что можно сделать

  • Развернуть локальный ИИ-сервер на видеокарте RTX 5090 с помощью специального флага оптимизации VRAM.
  • Тестировать модель со структурированным выводом JSON и потоковым выводом рассуждений (reasoning_effort).
  • Сравнивать качество работы квантованной версии с оригиналом по встроенным бенчмаркам памяти и точности.

Пример

pip install wheels/qfn_sm120_unified-22.3.0-cp313-cp313-linux_x86_64.whl

# Запуск на потребительской карте RTX 5090 с ограничением памяти:
python -m qfn_sm120_unified.serve --ckpt . --host 0.0.0.0 --port 8000 --force-32gb --inline-think
Подробнее• Размер бэкбона: 52.51 ГБ (общий объем на диске 117.19 ГБ)
• Требования к железу: 1x 96GB GPU или RTX 5090 (32 ГБ)
• Скорость генерации: до 229.54 токенов/с (при batch size 32)
• Лицензия: Tencent Hy License
Обсудить Telegram 0 16

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 15 GB · готовые файлы17 GB
  • FP8 / INT8рекомендуемвеса 7.5 GB8.8 GB
  • 4-bitвеса 4.2 GB5.2 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 3080 · BF16 — от RTX 4090

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.

    # Grawnch/Hy4-Flash-WV-v6-2.50bpw-SM120
    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 Grawnch/Hy4-Flash-WV-v6-2.50bpw-SM120 --local-dir ~/models/Hy4-Flash-WV-v6-2.50bpw-SM120
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Hy4-Flash-WV-v6-2.50bpw-SM120
  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

tencent/Hy4-flash

Новые посты про версии Hy4-flash — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Grawnch/Hy4-Flash-WV-v6-2.50bpw-SM120
Автор
Grawnch
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

160

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

AGP-Qwen3.6-35B-A3B

AGP-Qwen3.6-35B-A3B