К содержимому
Компьютерное зрение

Qwen3.5-0.8B-v15

Qwen3.5 с эпизодической памятью и «сном»

2 мин чтенияобновлено

Автор LTM-Lab перевёл компактную мультимодальную модель Qwen3.5-0.8B (0.87 млрд параметров) в архитектуру Qwen3_5V15ForConditionalGeneration, добавив ей долговременную эпизодическую память. Веса базовой модели остались нетронутыми бит в бит — ничего не дообучалось и не квантовалось, зато появились скрипты управления памятью на уровне KV-кэша (сохранённых состояний внимания) и рекуррентных слоёв. В отличие от прошлой версии V14, здесь убрали обучаемую «модель мира» и добавили режим «сна»: когда сервер простаивает, нейросеть сама перебирает накопившиеся записи, объединяет дубли, помечает устаревшие факты и связывает заметки об одних и тех же сущностях. Решение пригодится разработчикам для экспериментов с локальными ассистентами, которые помнят контекст прошлых диалогов без RAG и векторных баз.

Ключевые особенности

  • Память без RAG и обучения: при чтении промпта ключи и значения внимания нарезаются на события до 128 токенов и пишутся на диск вместе с энграммой рекуррентного состояния, а при новом запросе подмешиваются обратно без вставки текста в промпт.
  • Цикл «сна» при простое: через 10 минут тишины (по умолчанию) сервер запускает фоновую ревизию — переигрывает свежие записи, склеивает повторы, архивирует опровергнутые факты и строит «мосты» между связанными событиями.
  • Готовый инференс в SGLang: поддерживается запуск через модифицированный Docker-образ lovewin10/sglang-v15 с OpenAI-совместимым API, CUDA graph, prefix cache и спекулятивным декодированием EAGLE.
  • Честные ограничения 0.8B: на малом объёме параметров модель слабовато выступает судьёй собственного «сна» (может ошибочно архивировать несвязанные заметки), поэтому релиз позиционируется как лёгкий стенд для теста механизма.

Что можно сделать

  • Собрать локального бота с кросс-сессионной памятью: поднять Docker-контейнер с примонтированной папкой /memory, чтобы модель запоминала факты из одного чата и отвечала на них в совершенно новой сессии даже после перезапуска сервера.
  • Протестировать recall и «сон» в Python: загрузить модель напрямую через transformers с trust_remote_code=True и вызывать model.sleep() вручную между диалогами, отслеживая срабатывания через memory_trace.

Пример

from transformers import AutoModelForImageTextToText, AutoProcessor
import torch

path = 'LTM-Lab/Qwen3.5-0.8B-v15'
model = AutoModelForImageTextToText.from_pretrained(path, trust_remote_code=True, dtype=torch.bfloat16).to('cuda').eval()
processor = AutoProcessor.from_pretrained(path)
# После нескольких вызовов ask(...) можно запустить цикл консолидации памяти:
report = model.sleep()
ПодробнееБенчмарк памяти (bf16, RTX PRO 6000 Blackwell): одиночные факты — 9/10, среди 48 отвлекающих сессий — 7/10, среди 248 сессий — 6/10, двухшаговый поиск (hop) после сна — 6/6 (до сна 5/6), обновление факта после сна — 2/6.
Железо и требования: для SGLang нужен GPU с поддержкой бэкендов flashinfer или fa3 (TP/PP/DP = 1) и быстрый SSD для хранилища /memory; через transformers запускается также на CPU.
Важное ограничение: хранилище /memory общее на весь инстанс сервера без разделения по пользователям, а сгенерированные ответы самой модели в память не пишутся, пока не попадут в следующий промпт.
Обсудить Telegram 0 53

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.6 GB · готовые файлы2.3 GB
  • FP8 / INT8рекомендуемвеса 0.8 GB1.4 GB
  • 4-bitвеса 0.5 GB1.0 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

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.

    # LTM-Lab/Qwen3.5-0.8B-v15
    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 LTM-Lab/Qwen3.5-0.8B-v15 --local-dir ~/models/Qwen3.5-0.8B-v15
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3.5-0.8B-v15
  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/Qwen3.5-0.8B
  1. Qwen3.5-0.8B-Baseоснова семьи
  2. Qwen3.5-0.8B
  3. Qwen3.5-0.8B-v15

Новые посты про версии Qwen3.5-0.8B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 9Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

LTM-Lab/Qwen3.5-0.8B-v15
Автор
LTM-Lab
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

530

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Onyx-2B

Onyx-2B
Языковые модели

xevyo-01

xevyo-01