К содержимому
Языковые модели

Qwen3.8-27B-DSpine-b16-TF4bit-AgentMix

ускоритель генерации для 4-битной Qwen3.8-27B

2 мин чтенияобновлено

Экспериментальная draft-модель (лёгкая вспомогательная нейросеть для speculative decoding — метода ускорения генерации, при котором маленькая модель предлагает сразу несколько токенов вперёд, а большая проверяет их за один проход) от автора Maxrio (lasse_ai). Она основана на tencent/Qwen3.8-27B-DSpine-b16 (2.03B параметров, формат BF16) и дообучена специально под 4-битную конвертацию TensorFold/Qwen3.8-27B-MLX-4bit. В отличие от базового drafter от Tencent, версия AgentMix адаптирована под агентские сценарии, код, чат и структурированный вывод именно для 4-битной целевой модели, повышая долю принимаемых токенов за раунд. Пригодится разработчикам, запускающим локальную Qwen3.8-27B через tensorfold-native на CUDA.

Ключевые особенности

  • Точечная адаптация под 4 бита: оптимизирована под целевую модель TensorFold/Qwen3.8-27B-MLX-4bit (group size 64, 4.695 бит на вес), при этом сами веса drafter сохранены в BF16.
  • Акцент на агентских задачах: обучение расширено на 550 агентских контекстов из 254 репозиториев (SWE-smith/SWE-agent, OpenHands и mini-SWE-plus), а итоговый индекс записи составил 6 848 примеров.
  • Рост принятых токенов за раунд: на валидационном наборе из 810 промптов показатель вырос до 3.8803 (+0.0353 к оригиналу), а в агентском классе — до 7.5359 (+0.4007).
  • Проверенная корректность вывода: модель прошла 48 сравнений загрузки и 24 проверки точного совпадения токенов с базовым режимом при параллелизме 1/2/4/8, отмене запросов и возобновлении кэша.

Что можно сделать

  • Ускорить локальный инференс Qwen3.8-27B: подключить как drafter в связке с TensorFold/Qwen3.8-27B-MLX-4bit в среде tensorfold-native на видеокартах NVIDIA с CUDA.
  • Применить в агентских пайплайнах: использовать для задач разработки и работы с репозиториями (в духе SWE-agent и OpenHands), где модель показала наибольший прирост принятия черновых токенов.
  • Воспроизвести замеры скорости: использовать приложенный протокол GB10 для независимого A-B-B-A бенчмаркинга реальной скорости генерации на своём сервере.

Пример

tensorfold-native serve ./qwen-target --backend cuda --drafter ./drafter \
  --context 16384 --parallel 1 --no-update-check
Подробнее Не является самостоятельной LLM: требует целевую модель TensorFold/Qwen3.8-27B-MLX-4bit и совместимый рантайм tensorfold-native с бэкендом CUDA (работа на Apple MLX не проверялась).
Оценка на dev-наборе (810 промптов): 3.8803 токена/раунд в среднем, 7.5359 в агентских задачах, 3.9283 в коде; на независимом наборе jschmied (110 промптов) — 6.0042 против 6.0788 у оригинала.
Обучение: 990 шагов (выбран чекпоинт step 823), batch size 9, peak LR 1e-5, cosine decay, квоты agent/chat/code/structured — 3/2/2/2; лицензия Apache-2.0.
Ограничение: это экспериментальный релиз — полный замер реальной скорости (wall-clock speedup) остановлен на 76 из 192 прогонов, итоговый прирост скорости на сервере пока не подтверждён.
Обсудить Telegram 0 24

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 3.8 GB · готовые файлы4.5 GB
  • FP8 / INT8рекомендуемвеса 1.9 GB2.6 GB
  • 4-bitвеса 1.1 GB1.8 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.

Для текстовых моделей — с контекстом 8192 токенов.

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.

    # Maxrio/Qwen3.8-27B-DSpine-b16-TF4bit-AgentMix — 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 Maxrio/Qwen3.8-27B-DSpine-b16-TF4bit-AgentMix --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к Qwen3.8-27B-DSpine-b16-TF4bit-AgentMix
  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

Дообучение модели

tencent/Qwen3.8-27B-DSpine-b16
  1. Qwen3.8-27Bоснова семьи
  2. Qwen3.8-27B-DSpine-b16
  3. Qwen3.8-27B-DSpine-b16-TF4bit-AgentMix

Новые посты про версии Qwen3.8-27B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 2Все на Hugging Face

О модели

Maxrio/Qwen3.8-27B-DSpine-b16-TF4bit-AgentMix
Автор
Maxrio
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

240

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии