К содержимому
Языковые модели

seclx-business-models

набор MLX-моделей на базе Qwen3 для Apple Silicon

2 мин чтенияобновлено

Коллекция из двух квантованных моделей (сжатых для экономии памяти) для локального AI-шлюза seclx, который работает на чипах Apple Silicon через фреймворк MLX и предоставляет OpenAI-совместимый API. В набор входят лёгкая qwen3.5-9b-4bit (4.7 ГБ) для простых задач и основная mtplx-qwen3.8-27b-op4bit (19 ГБ) со смешанной точностью и механизмом MTP (спекулятивным декодированием для ускорения генерации). Репозиторий избавляет от необходимости держать в памяти тяжёлую модель ради мелких запросов: шлюз подгружает нужную модель по требованию и выгружает её при простое. Пригодится владельцам Mac с большим объёмом объединённой памяти, которым нужен быстрый локальный сервер для текста и генеративных пайплайнов.

Ключевые особенности

  • Два уровня нагрузки: qwen3.5-9b-4bit (4.501 бит на вес, 4.7 ГБ) закрывает простые вопросы, улучшение промптов для картинок/видео/аудио и извлечение структурных данных, не будя основную модель.
  • Умное квантование старшей модели: mtplx-qwen3.8-27b-op4bit использует 4-bit для основы, но сохраняет 8-bit для эмбеддингов, lm_head, linear_attn.out_proj и последних 8 слоёв MLP, а роутер экспертов не квантуется вовсе.
  • Спекулятивное декодирование (MTP): черновой блок в формате bf16 с глубиной 3 ускоряет генерацию с коэффициентом принятия токенов 0.959 / 0.873 / 0.759 по шагам.
  • Удобная загрузка: утилита seclx скачивает веса через aria2 с докачкой, проверкой SHA256 и фильтрацией файлов через --include / --exclude.

Что можно сделать

  • Развернуть локальный OpenAI-совместимый сервер на Mac для чатов, ботов и рабочих скриптов с автоматической выгрузкой моделей из памяти в простое.
  • Использовать лёгкую модель aux (9B) как быстрый препроцессор для автоматического расширения коротких промптов перед генерацией изображений, видео или речи.
  • Запускать сложные текстовые и рассуждающие задачи на 27B-версии с высокой скоростью генерации без заметной деградации качества на глубоких слоях.

Пример

pip install seclx
seclx model pull kn1ghtc/seclx-business-models --dir ~/.seclx/models
seclx up --config configs/seclx.yaml
ПодробнееСкорость на Apple M5 Ultra (103 ГБ памяти): для 9B-модели холодный старт занимает 3.8 с, горячий запрос — 0.54 с (в памяти занимает 5.7 ГБ).
Скорость 27B-модели: 110 tok/s на контексте ~200 токенов и 111 tok/s на ~4k токенов в один поток (при росте параллельных запросов общая пропускная способность не увеличивается).
Ограничения: на 9B отключён режим рассуждений (reasoning_effort=off), чтобы цепочки мыслей не ломали формат при улучшении промптов.
Лицензия: наследует условия оригинальных моделей серии Qwen (Apache-2.0), дообучение весов не проводилось.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 19 GB · готовые файлы22 GB
  • FP8 / INT8рекомендуемвеса 9.6 GB11 GB
  • 4-bitвеса 5.4 GB6.5 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 5070 · BF16 — от RTX 4090

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.

    # kn1ghtc/seclx-business-models — 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 kn1ghtc/seclx-business-models --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к seclx-business-models
  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 seclx-business-models — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

kn1ghtc/seclx-business-models
Автор
kn1ghtc
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

BatLM-360M

BatLM-360M