К содержимому
Компьютерное зрение

Qwen3.8-27B-Coder390-EfficientThink

быстрый мультимодальный кодер без лишней «воды» в рассуждениях

3 мин чтенияобновлено

Мультимодальная языковая модель (работает с текстом, изображениями и видео) на базе Qwen3.8-27B от автора nerkyor, дообученная с упором на программирование и лаконичные рассуждения. Оригинальная Qwen3.8-27B страдает от привычки зацикливаться: уже получив ответ, она продолжает перепроверять себя, пока не упрётся в лимит генерации 94K токенов без итогового результата. Чтобы исправить это, модель прошла несколько раундов SFT и RLOO (метод обучения с подкреплением, где длинные верные рассуждения поощряются, а затянутые ошибочные штрафуются) на траекториях от Opus5.5, GPT6Astra, DSV4Pro и K3. Модель подойдёт разработчикам и исследователям, которым нужен сильный локальный кодер и VLM с предсказуемой длиной генерации.

Ключевые особенности

  • Меньше обрывов на 94K токенах: количество упёршихся в лимит генераций снизилось с 4 до 1 на GPQA и с 13 до 3 на LCB (для static FP8) по сравнению с базовой Qwen3.8-27B.
  • Рост качества без просадок: в static FP8 модель набирает 178/198 на GPQA, 450/500 на MMLU и 90/100 на LCB против 177 / 444 / 83 у оригинала.
  • Спекулятивное декодирование до 180 tok/s: поддерживаются два взаимоисключающих режима ускорения — DFlash2 (около 180 tok/s на запрос) и встроенная голова MTP (91 tok/s) против ~46 tok/s без спекуляции.
  • Богатый выбор форматов и квантований: в репозитории доступны BF16, static FP8 Block128, NVFP4 (W4A16, W4A4, W4A4-W8A8), INT4, INT8, а также сборки GGUF (Q2, Q3, Q4, Q6_K, Q8_0) и NInfer.

Что можно сделать

  • Встроить в пайплайн разработки кода: развернуть версию BF16, FP8 или NVFP4 в SGLang (или FP8 / INT4 в vLLM) для генерации и отладки сложных алгоритмов без риска получить пустой ответ из-за бесконечного цикла размышлений.
  • Запустить локальный мультимодальный ассистент: использовать полные safetensors-сборки (текст + изображения + видео) или INT4/INT8 W8A16 (текст + изображения) для анализа скриншотов интерфейсов, графиков и документации.
  • Ускорить инференс на одиночных запросах: подключить черновую модель DFlash2 или встроенную BF16 MTP-голову в SGLang, чтобы поднять скорость генерации с 46 до 91–180 tok/s.

Пример

В карточке приведён протокол запуска и оценки качества в SGLang: используется контекст 100K, лимит генерации 94 208 токенов, черновая модель DFlash2 для спекулятивного декодирования и веса в форматах BF16, Static FP8 или NVFP4 (например, NVFP4 W4A4 или Static FP8 Block128) без необходимости пропатчивать движок.

ПодробнееБенчмарки (Static FP8): GPQA 178/198 (медиана рассуждений 2 966 токенов против 5 299 у оригинала), MMLU 450/500, LCB 90/100.
NVFP4 W4A4: LCB 92/100, GPQA 167/198, MMLU 440/500.
Тестовое железо: 2× RTX PRO 6000 для BF16/FP8 (C8 на карту) и 1× RTX PRO 6000 для NVFP4 и NInfer.
Ограничения: файлы .ninfer запускаются только в движке NInfer (SGLang, vLLM, llama.cpp и transformers их не поддерживают); DFlash2 и MTP нельзя включать одновременно.
Примеры
Обсудить 591 885,4 тыс.

Запустится ли?

Только с выгрузкой в ОЗУ

Даже GGUF Q6_K больше видеопамяти. Часть слоёв можно держать в оперативной памяти (llama.cpp, ComfyUI), но работать будет в разы медленнее.

  • GGUF Q8_0рекомендуемвеса 30 GB · готовые файлы34 GB
  • GGUF Q6_Kвеса 22 GB · готовые файлы24 GB

Совет: берите 8-bit.GGUF Q8_0 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: В домашние видеокарты не поместится — выгоднее арендовать.

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.

    # nerkyor/Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2
    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 nerkyor/Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2 --local-dir ~/models/Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  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

Новые посты про версии Qwen3.8-27B-EfficientThink-Uncensored-K3-Opus5-Grok4.6-GPT5.6Sol-SFT-SimPO-DFlash2 — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 8Все на Hugging Face
Дообучения 2Все на Hugging Face

О модели

nerkyor/Qwen3.8-27B-Coder390-EfficientThink-Opus5.5-GPT6Astra-Grok4.7-DSV4Pro-K3-SFT-RLOO-MTP-DFlash2
Автор
nerkyor
Категория
Компьютерное зрение
Дата выхода
На сайте

На сайте

Hugging Face

885,4 тыс.591

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии