К содержимому
Другое

LPCombine-Qwen3.5-4B

комбинирование контекстов для Qwen3.5

2 мин чтенияобновлено

Модель LPCombine-Qwen3.5-4B решает задачу объединения двух независимо захваченных контекстов в единое возобновляемое состояние. Базируясь на архитектуре Qwen3.5-4B от создателя Саймона Виллани, она использует обученный считыватель для предложения токенов из ключей и значений первого слоя полного внимания и проверяет кандидатов по раннему кешу. Модель полезна разработчикам, работающим с эффективным управлением контекстом и кешированием в пайплайнах обработки текста с помощью библиотеки LatentPort (инструмента для работы с кешем состояний моделей).

Ключевые особенности

  • Объединение двух независимых контекстов (левого и правого кеша) в одно состояние
  • Поддержка бэкендов BF16, NF4 и GGUF для работы с кешем
  • Обученный считыватель, зафиксированный поверх замороженной базовой модели
  • Успешное прохождение тестов на совпадение с нативным добавлением токенов

Что можно сделать

  • Применить метод combine() для объединения разных контекстов в коде на Python с использованием библиотеки LatentPort
  • Загрузить модель в формате NF4 или GGUF для экономии VRAM при работе со стейтами
  • Использовать сессионные запросы для извлечения информации из объединенных контекстов

Пример

import latentport as lp

with lp.load_model("latentport/LPCombine-Qwen3.5-4B", backend="nf4") as model:
    left = model.prefill("Nora belongs to team X.\n")
    right = model.prefill("Team X uses the passcode cedar.\n")
    merged = left.combine(right, model=model, method="cache")
    with model.session(merged) as session:
        print(session.ask("What is the passcode for Nora's team?").text)
ПодробнееБэкенды: BF16, NF4, GGUF с поддержкой удержания токенов
Обучение: FP32-считыватель на 18 432 синтетических токенах с замороженной базовой моделью
Ограничения: реплей правого контекста и проверка восстановленных токенов перед обновлением сессии
Лицензия: Apache-2.0
Обсудить Telegram 0 15

Запустится ли?

Запустится в F32

Влезает без сжатия.

  • F32веса 0.0 GB · готовые файлы0.5 GB
  • BF16веса 0.0 GB0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 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 2060 · F32 — 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

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.

    # latentport/LPCombine-Qwen3.5-4B
    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 latentport/LPCombine-Qwen3.5-4B --local-dir ~/models/LPCombine-Qwen3.5-4B
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к LPCombine-Qwen3.5-4B
  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/Qwen3.5-4B
  1. Qwen3.5-4B-Baseоснова семьи
  2. Qwen3.5-4B
  3. LPCombine-Qwen3.5-4B

Новые посты про версии Qwen3.5-4B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

latentport/LPCombine-Qwen3.5-4B
Автор
latentport
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

150

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

XLL Acts Qwen3.5-9B

XLL Acts Qwen3.5-9B