К содержимому
Языковые модели

EchoMoE-Qwen3-30B-A3B

оптимизированная языковая модель для быстрого распределенного инференса

2 мин чтенияобновлено

Эта модель представляет собой вариант архитектуры MoE (Mixture of Experts, смесь экспертов — подход, при котором для каждого токена задействуется лишь часть параметров), адаптированный с помощью технологии EchoMoE для снижения объема передаваемых данных между узлами. Вместо передачи полных скрытых состояний модель отправляет сжатую разницу от эталонного состояния, которое обновляется каждые несколько слоев. Модель создана на базе Qwen3-30B-A3B и обучена методом дистилляции (переноса знаний от более крупной или точной модели). Разработка ориентирована на инженеров и исследователей, занимающихся масштабированием и ускорением работы больших языковых моделей на кластерах из нескольких GPU.

Ключевые особенности

  • Снижение объема сетевого трафика между узлами на 58% в режиме экспертного параллелизма (expert parallelism)
  • Прирост пропускной способности (throughput) до 22.6% по сравнению с немодифицированной базовой моделью на 4 узлах
  • Архитектура с конфигурацией EchoMoE: опорные точки каждые 4 слоя, диспетчерский код размерностью 512 и комбинированный код на 768
  • Контекст длиной 32,768 токенов и поддержка работы в формате bf16

Что можно сделать

  • Развернуть модель в сервисе vLLM с плагином EchoMoE на кластере из нескольких графических процессоров (GPU) для высокопроизводительного обслуживания пользователей
  • Запустить инференс локально на одной видеокарте с объемом памяти от 80 GB с помощью библиотеки transformers через удаленный код
  • Провести тестирование производительности и сетевой нагрузки в различных конфигурациях экспертного параллелизма

Пример

Пример запуска модели через Python с использованием библиотеки transformers и одной видеокарты с поддержкой bf16:

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo = "McGill-NLP/EchoMoE-Qwen3-30B-A3B-s4-r512-c768"
model = AutoModelForCausalLM.from_pretrained(repo, trust_remote_code=True, dtype=torch.bfloat16, device_map="cuda")
tokenizer = AutoTokenizer.from_pretrained(repo)

messages = [{"role": "user", "content": "Give me a short introduction to large language models."}]
inputs = tokenizer.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=256)
print(tokenizer.decode(outputs[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True))
ПодробнееБенчмарки (среднее по 18 тестам): 63.1% (на 3.8 пункта ниже базовой модели-учителя).
Требования к железу: веса в bf16 помещаются на одну GPU с 80 GB VRAM для одиночного запуска; для распределенного режима требуется кластер из нескольких H100.
Лицензия: Apache 2.0.
Обсудить Telegram 0 174

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 53 GB · готовые файлы54 GB
  • FP8 / INT8рекомендуемвеса 26 GB28 GB
  • 4-bitвеса 15 GB16 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.

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 RTX A6000

    $0.43 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.

    # McGill-NLP/EchoMoE-Qwen3-30B-A3B-s4-r512-c768 — RTX A6000, 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 McGill-NLP/EchoMoE-Qwen3-30B-A3B-s4-r512-c768 --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к EchoMoE-Qwen3-30B-A3B-s4-r512-c768
  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

  1. Qwen3-30B-A3B-Baseоснова семьи
  2. Qwen3-30B-A3B-SFT-EchoMoE-teacher
  3. EchoMoE-Qwen3-30B-A3B-s4-r512-c768

Новые посты про версии Qwen3-30B-A3B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
Слияния 7Все на Hugging Face

О модели

McGill-NLP/EchoMoE-Qwen3-30B-A3B-s4-r512-c768
Автор
McGill-NLP
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

1740

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

Qwen3.5-0.8B-NKC

Qwen3.5-0.8B-NKC
Языковые модели

SwAP-7B-theta0.1

SwAP-7B-theta0.1