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-thinkПодробнее
• 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










Комментарии