К содержимому
Другое

Qwen3.8-Flash-Next-WV-Hybrid-2.7bpw-SM120-v20

квантованная сборка под архитектуру NVIDIA Blackwell

2 мин чтенияобновлено

Специализированная гибридная сборка модели Qwen/Qwen3.8-Flash-Next от автора Grawnch, сжатая до 2.7 bpw (бит на вес — метод сильного уменьшения объёма модели для экономии видеопамяти). Релиз заточен под «голое железо» видеокарт NVIDIA поколения Blackwell (архитектура sm_120, INT8 MMA) с разделением слоёв на «горячие» и «холодные» уровни, перераспределением весов в оперативную память (pinned W_emb) и спекулятивным декодированием DFlash2 (ускорение генерации за счёт предсказания нескольких токенов вперёд). Сборка пригодится инженерам и энтузиастам, запускающим крупные языковые модели на топовых GPU Blackwell с максимальной плотностью контекста и высокой пропускной способностью.

Ключевые особенности

  • Гибридная квантизация 2.7 bpw с разделением на Hot- (SWZ3_G16 / SWZ2_G64 / SWZ4_G32) и Cold-уровни (VQ4) для баланса между размером и точностью.
  • Специальная компоновка всех 48 слоёв под инструкции INT8 MMA архитектуры NVIDIA Blackwell (sm_120) с объединённым (fused) Top-20 SWZ8 LM head.
  • Поддержка спекулятивного декодирования DFlash2 с калибровкой через Block-32 Hessian GPTQ и диагональное масштабирование Schur-Hadamard.
  • Нулевое копирование эмбеддингов из хост-памяти (host zero-copy pinned W_emb), освобождающее видеопамять под длинный контекст.

Что можно сделать

  • Развернуть модель на видеокарте NVIDIA RTX PRO 6000 Blackwell (102 ГБ GDDR7) для локального инференса со скоростью до 197.06 токенов в секунду в режиме одного потока (B = 1 с DFlash2).
  • Использовать освободившийся объём VRAM для обработки сверхдлинных контекстов — телеметрия подтверждает автоматическое выделение до 1 841 536 токенов KV-кэша.
  • Применять сборку для высоконагруженного пакетного инференса (B = 30), где пропускная способность достигает 1304.75 tok/s при жадной генерации.

Пример

Модель поставляется в виде набора шардированных весов (layers_00_05.safetensors .. layers_42_47.safetensors, globals.safetensors, qsa_indexer.safetensors, dflash2_swz4_calibrated.safetensors), манифеста sm120_manifest.json, файлов токенизатора и логов верификации benchmarks/*.json для запуска в среде исполнения с поддержкой sm_120.

ПодробнееЖелезо и память: тестировалось на 1x NVIDIA RTX PRO 6000 Blackwell (101.97 GB GDDR7); статический расход VRAM составляет 49.333 GiB при b_max=32 и 256 страницах KV-кэша (32 768 токенов), максимум под KV-кэш — 1 841 536 токенов (14 387 страниц).
Скорость генерации: B = 1 Greedy/Sampled — 107.91 / 108.35 tok/s; с DFlash2 HybridTree-16 — 197.06 tok/s (tau = 4.695); при батче B = 30 — 1304.75 / 991.82 tok/s.
Качество относительно WV-3.5bpw: KLD на SelfGen_MathCode равен 0.041747 (совпадение Top-1 — 95.115%), на All_Unique_12282 — 0.288488 (CosSim 0.900949), на 1x8192 Sparse-QSA — 0.308771 (96.647% Top-5).
Детали калибровки: рекалибровка tap_recalib заняла 423.68 с (метод Full-Rank Block-32 Hessian GPTQ + Schur-Hadamard SPD Diagonal Gain).
Обсудить Telegram 0 39

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 5.3 GB · готовые файлы6.3 GB
  • FP8 / INT8рекомендуемвеса 2.6 GB3.4 GB
  • 4-bitвеса 1.5 GB2.1 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 5060 Ti 8GB

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/Qwen3.8-Flash-Next-WV-Hybrid-2.7bpw-SM120-v20
    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/Qwen3.8-Flash-Next-WV-Hybrid-2.7bpw-SM120-v20 --local-dir ~/models/Qwen3.8-Flash-Next-WV-Hybrid-2.7bpw-SM120-v20
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  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-Flash-Next

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

Сжатые версии 12Все на Hugging Face
Дообучения 8Все на Hugging Face

О модели

Grawnch/Qwen3.8-Flash-Next-WV-Hybrid-2.7bpw-SM120-v20
Автор
Grawnch
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

390

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии