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.
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.
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
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.
Комментарии