К содержимому
Другое

HSpec-Qwen27B-4m3a-epoch1

драфтер, который ускоряет Qwen3.8-27B

2 мин чтенияобновлено

Это промежуточный чекпоинт H-Spec-драфтера для Qwen/Qwen3.8-27B: небольшой модели на 3.52B параметров, которая предлагает токены, а основная 27B-модель их проверяет. Так работает speculative decoding — генерация становится быстрее без смены основной модели. Архитектура — mamba_attn_hybrid; на инференсе драфтер читает KV-кэш верификатора прямо в процессе, без отдельного extraction-сервера. Снимок сделан в середине 1-й эпохи (шаг 29 470, около 38% первой эпохи из двух). Пригодится тем, кто уже обслуживает Qwen3.8-27B и хочет попробовать ускорение через спекулятивное декодирование.

Ключевые особенности

  • Драфтер на 3.52B параметров для Qwen3.8-27B, обученный по рецепту H-Spec.
  • Архитектура mamba_attn_hybrid и частичный RoPE: theta 1e7, partial_rotary_factor 0.25, head_dim 256.
  • Обслуживается на depth 8; заявлены loss 0.458, accept rate 0.642 и accept length 4.07.
  • Требуется форк vLLM: stock-версия не содержит метод mamba_attn_hybrid и путь partial-RoPE.

Что можно сделать

  • Поднять сервер vLLM с Qwen3.8-27B и этим драфтером, указав --spec-method mamba_attn_hybrid и --spec-tokens 8.
  • Запустить оценку throughput на HumanEval через scripts/evaluate/evaluate.py из speculators.
  • Использовать launcher scripts/launch_vllm.py, чтобы собрать аргументы и сохранить provenance эксперимента.

Пример

Сначала нужны форки vLLM и speculators из карточки; затем можно скачать чекпоинт и запустить сервер:

huggingface-cli download MeganEFlynn/HSpec-Qwen27B-4m3a-epoch1 --local-dir hspec-ckpt
vllm serve Qwen/Qwen3.8-27B \
  --spec-model hspec-ckpt \
  --spec-method mamba_attn_hybrid \
  --spec-tokens 8 \
  --max-model-len 8196 \
  --attention-backend FLASHINFER
ПодробнееМетрики снимка: loss 0.458, accept rate 0.642, accept length 4.07.
Валидация при depth 8 измеряет acceptance до позиции 7: 0.822 / 0.728 / 0.659 / 0.604 / 0.559 / 0.520 / 0.486.
Нужны точные ветки/коммиты форка vLLM и speculators; optimizer state в репозиторий не включён.
Это промежуточный чекпоинт, а не финальная модель.
Обсудить Telegram 0 48

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 6.6 GB · готовые файлы7.7 GB
  • FP8 / INT8рекомендуемвеса 3.3 GB4.1 GB
  • 4-bitвеса 1.8 GB2.5 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 · BF16 — от RTX 5060 Ti 8GB

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.

    # MeganEFlynn/HSpec-Qwen27B-4m3a-epoch1
    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 MeganEFlynn/HSpec-Qwen27B-4m3a-epoch1 --local-dir ~/models/HSpec-Qwen27B-4m3a-epoch1
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к HSpec-Qwen27B-4m3a-epoch1
  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/Qwen3.8-27B

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

MeganEFlynn/HSpec-Qwen27B-4m3a-epoch1
Автор
MeganEFlynn
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

480

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

Artsy RLHF

Artsy RLHF