К содержимому
Языковые модели

Qwen3.8-Flash-Next-WV-v5.1-Sub2.5bpw-SM120

сверхсжатая 180B MoE-модель под Blackwell

2 мин чтенияобновлено

Это квантованная (сжатая по точности весов) версия языковой модели Qwen3.8-Flash-Next на 180 миллиардов параметров с архитектурой MoE (Mixture-of-Experts — смесь экспертов, где на каждый токен активируется лишь часть сети: 10 из 512 экспертов плюс 1 общий). Автор Grawnch упаковал её до 2.4592 bpw (бит на вес) в нативный формат для видеокарт NVIDIA Blackwell (SM120 Mode-1). Версия v5.1 улучшает точность предыдущей сборки v5 без единого лишнего байта памяти, заметно снижая ошибки квантования слоёв. Подойдёт владельцам мощных рабочих станций и серверов на базе GPU Blackwell, которым нужно запускать огромную модель для программирования и математики в жёстком бюджете видеопамяти.

Ключевые особенности

  • Снижение ошибки Gate/Up на 62.10%: перестановка нейронов SwiGLU и калибровка масштабов (EBSS + KBVQ Cholesky GPTQ) резко уменьшили среднюю ошибку по всем 48 слоям без роста объёма модели.
  • Уточнение проекций Down-Proj: метод Ky-Fan-8 и пересчёт 1152 сингулярных хребтов (Rank-8 SVD spines) снизили ошибку квантования VQ4 ещё на 10.06%.
  • Спекулятивное декодирование в комплекте: внутри есть перекалиброванные драфтеры DFlash2 SWZ4 для ускорения генерации, а также 12 обученных индексов разреженного внимания QSA.
  • Гибридная структура: модель сочетает 36 слоёв Gated-DeltaNet и 12 слоёв Sparse QSA.

Что можно сделать

  • Решать сложные алгоритмические задачи: использовать модель для олимпиадного программирования и длинных цепочек математических рассуждений на локальном железе.
  • Ускорять инференс на GPU Blackwell: задействовать комплектные драфтеры dflash2_swz4 для спекулятивной генерации текста с меньшими задержками.

Пример

Для компенсации накопленной дисперсии логитов на 48 слоях при суб-2.5-битном сжатии в задачах на код и математику автор рекомендует выставлять следующие параметры сэмплирования:
temperature: 0.6, top_p: 0.95, top_k: 20, min_p: 0.0, presence_penalty: 0.0.

Подробнее Снижение средней ошибки Гессиана: -62.10% для Gate/Up, -10.06% для Down-Proj VQ4 и -2.71% MSE на валидации для общего эксперта (shexp_dn).
Формат контейнера: SM120 Mode-1 (SWZ2_G64 + VQ4 + Rank-8 whitened SVD spines + SWZ8_G32), 2.4592 bpw.
Ограничение: для работы требуется докупить/скачать второй шард с глобальными тензорами Qwen3.8-Flash-Next-WV-v5-3.5bpw-00002-of-00002.gguf и конфиги из incoai/Qwen3.8-Flash-Next-DFlash2.
Обсудить Telegram 0 180

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 4.9 GB · готовые файлы5.9 GB
  • FP8 / INT8рекомендуемвеса 2.4 GB3.3 GB
  • 4-bitвеса 1.4 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 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

Готовый скрипт под машину, которую мы советуем выше: вставили — модель скачалась и запустилась.

  1. 1. Арендуйте A30

    $0.26 в час с купоном. При создании машины выберите образ Ubuntu.

    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-v5.1-Sub2.5bpw-SM120 — A30, FP8 / INT8
    # Драйвер NVIDIA: для CUDA 13 нужен 580+. Если старее или нет — ставится свежий nvidia-open (оставить свой: KEEP_DRIVER=1)
    DRV=$(nvidia-smi --query-gpu=driver_version --format=csv,noheader 2>/dev/null | head -1 | cut -d. -f1)
    case "$DRV" in ""|*[!0-9]*) DRV=0 ;; esac
    if [ "$DRV" -lt 580 ] && [ -z "${KEEP_DRIVER:-}" ]; then
      . /etc/os-release && \
      curl -fsSLO "https://developer.download.nvidia.com/compute/cuda/repos/ubuntu${VERSION_ID//./}/x86_64/cuda-keyring_1.1-1_all.deb" && \
      sudo dpkg -i cuda-keyring_1.1-1_all.deb && rm -f cuda-keyring_1.1-1_all.deb && \
      sudo apt-get update && \
      sudo DEBIAN_FRONTEND=noninteractive apt-get install -y nvidia-open || \
      { echo "Драйвер NVIDIA поставить не удалось: смотрите ошибку выше. Чтобы оставить текущий, запустите с KEEP_DRIVER=1."; exit 1; }
      echo "Драйвер NVIDIA обновлён. Перезагрузите машину (sudo reboot) и запустите этот же скрипт ещё раз."
      exit 0
    fi
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv venv ~/vllm --python 3.12 && source ~/vllm/bin/activate
    uv pip install vllm
    vllm serve Grawnch/Qwen3.8-Flash-Next-WV-v5.1-Sub2.5bpw-SM120 --max-model-len 8192 --quantization fp8
  3. 3. Пользуйтесь

    Сервер слушает порт 8000 и понимает запросы в формате OpenAI: адрес http://localhost:8000/v1 на машине. Со своего компьютера: ssh -L 8000:localhost:8000 пользователь@IP-машины.

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.

  • MTP (multi-token prediction)0.34.0от 16 ноября 2026новая версия

    1.5–2× скорость генерации

    Если в модели есть MTP-слои (DeepSeek-V3/R1, Qwen3-Next, GLM, MiMo и др.), она сама предсказывает несколько токенов за шаг.

    Как включить: vLLM / SGLang: --speculative-config '{"method": "mtp", "num_speculative_tokens": 1}'. Смотрите карточку модели.

    Предыдущие поколения (2)
    • EAGLE-3 — Спекулятивное декодирование с маленькой «черновой» головой. Для моделей без своих MTP-слоёв.
    • EAGLE-2 / Medusa — Предыдущие поколения драфт-голов. Если нашли только их — тоже работают.
  • FP8 KV cache0.34.0от 16 ноября 2026новая версия

    в 2× больше контекста в той же памяти

    Хранит кэш внимания в 8 битах — длинный контекст влезает туда, где раньше не помещался.

    Как включить: vLLM: --kv-cache-dtype fp8; llama.cpp: -ctk q8_0 -ctv q8_0.

  • vLLM / SGLang0.34.0от 16 ноября 2026новая версия

    в разы больше токенов/с на сервере

    Серверные движки: пакетная обработка, FlashAttention, FP8, спекулятивное декодирование из коробки.

    Как включить: vllm serve <модель> — OpenAI-совместимый API.

    Предыдущие поколения (1)
    • llama.cpp — GGUF-модели на любой видеокарте, Mac и даже CPU; часть слоёв можно держать в ОЗУ.

Семья модели

Новые посты про версии Qwen3.8-Flash-Next-WV-v5.1-Sub2.5bpw-SM120 — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

Grawnch/Qwen3.8-Flash-Next-WV-v5.1-Sub2.5bpw-SM120
Автор
Grawnch
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

1800

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

Hy4-Flash-WV-v6

Hy4-Flash-WV-v6
Языковые модели

DroidSenior-7B-v5

DroidSenior-7B-v5