К содержимому
Компьютерное зрение

Qwen3.6-35B-A3B-REAP25

облегченная версия Qwen3.6 с сокращенными MoE-экспертами

2 мин чтенияобновлено

Модифицированная языковая модель от автора inference-optimization, созданная на базе Qwen/Qwen3.6-35B-A3B. Из исходных 256 экспертов в каждом из 40 слоев архитектуры MoE (Mixture of Experts, смесь экспертов — подход, когда в обработке токена участвуют только определенные части сети) удалено 25%: осталось 192 наиболее важных эксперта на слой. Прунинг (сокращение) выполнен с помощью метода REAP (метод оценки важности экспертов по активациям) и инструмента llmcompressor, а калибровка прошла на датасете RazorCal. Модель подходит для исследователей и разработчиков, которым требуется снизить требования к железу и ускорить инференс крупной модели без переобучения весов.

Ключевые особенности

  • Уменьшение числа экспертов: удалено 64 наименее важных эксперта в каждом из 40 слоев (всего осталось 7680 из 10240).
  • Сохранение весов: прочие веса (внимание, визуальный модуль, эмбеддинги и общие эксперты) остались в оригинальном формате BF16 (формат представления чисел с плавающей точкой повышенной точности).
  • Неизменный MTP: слой предсказания следующих токенов (MTP) оставлен без калибровки и изменений.
  • Автоматический пересчет: конфигурация модели (`config.json`) обновлена с новым количеством экспертов, а их индексы пересчитаны последовательно.

Что можно сделать

  • Запуск в пайплайнах: интегрировать модель в проекты через библиотеку transformers для тестирования в задачах генерации текста.
  • Сравнение производительности: замерить скорость генерации и потребление памяти по сравнению с базовой моделью Qwen3.6-35B-A3B.
  • Инференс с LLM-компрессией: использовать модель в окружениях, поддерживающих измененную конфигурацию MoE-слоев.

Пример

from transformers import AutoProcessor, Qwen3_5MoeForConditionalGeneration

model = Qwen3_5MoeForConditionalGeneration.from_pretrained(
    "inference-optimization/Qwen3.6-35B-A3B-REAP25", torch_dtype="bfloat16"
)
processor = AutoProcessor.from_pretrained(
    "inference-optimization/Qwen3.6-35B-A3B-REAP25"
)
ПодробнееБазовая модель: Qwen/Qwen3.6-35B-A3B
Количество параметров: ~27.89 млрд
Метод оптимизации: REAP (удаление 25% экспертов)
Калибровочный датасет: RazorCal (2048 образцов)
Библиотека: transformers
Обсудить Telegram 0 25

Запустится ли?

Запустится в 4-bit

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • BF16веса 52 GB · готовые файлы58 GB
  • FP8 / INT8рекомендуемвеса 26 GB29 GB
  • 4-bitвеса 15 GB17 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.

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.

    # inference-optimization/Qwen3.6-35B-A3B-REAP25
    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 inference-optimization/Qwen3.6-35B-A3B-REAP25 --local-dir ~/models/Qwen3.6-35B-A3B-REAP25
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3.6-35B-A3B-REAP25
  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/Qwen3.6-35B-A3B

Новые посты про версии Qwen3.6-35B-A3B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 1Все на Hugging Face
Слияния 4Все на Hugging Face

О модели

inference-optimization/Qwen3.6-35B-A3B-REAP25
Автор
inference-optimization
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

250

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

TeachMaster Coder

TeachMaster Coder
Компьютерное зрение

Signpost-Jev-4B

Signpost-Jev-4B