К содержимому
Языковые модели

Qwen2.5-Coder-3B-AWQ-Pile-Q4_0-NPU2

оптимизированная модель для автодополнения кода на процессорах AMD Ryzen AI

2 мин чтенияобновлено

Модель представляет собой специальную квантованную версию Qwen/Qwen2.5-Coder-3B (размером 3 миллиарда параметров), адаптированную для выполнения задач fill-in-the-middle (FIM, дополнение кода в середине) локально на аппаратных ускорителях AMD XDNA 2 NPU с помощью фреймворка FastFlowLM (FLM). Обычная 4-битная квантование без калибровки даёт неприемлемо низкое качество на таком железе, поэтому автор применил AWQ (метод квантования весов с сохранением точности) на датасете Pile и переупаковал модель под требования движка. Сборка пригодится разработчикам и владельцам ноутбуков с процессорами Ryzen AI 300 серии и новее, которые хотят запускать автодополнение кода прямо на встроенном нейропроцессоре.

Ключевые особенности

  • Основа: популярная языковая модель Qwen2.5-Coder-3B, оптимизированная под задачи программирования.
  • AWQ-калибровка: использование калибровки на корпусе Pile перед квантованием в Q4_0 для сохранения точности генерации.
  • Поддержка NPU: сборка разработана специально для запуска на встроенных нейропроцессорах AMD XDNA 2.
  • Интеграция FIM: добавлены специальные токены fill-in-the-middle в конце последовательности и применен pass-through чат-шаблон.

Что можно сделать

  • Локальное автодополнение кода: развернуть локальный сервер автодополнения кода на AMD NPU без нагрузки на дискретную видеокарту.
  • Интеграция в IDE: подключить локальный эндпоинт к редакторам кода для быстрой генерации строк и функций «на лету».
  • Тестирование производительности: запустить бенчмарки генерации кода на аппаратном ускорителе Ryzen AI.

Пример

Запуск локального сервера модели через утилиту flm-add и отправка тестового FIM-запроса:

uv tool install flm-add
flm-add nickto/Qwen2.5-Coder-3B-AWQ-Pile-Q4_0-NPU2 \
  --tag qwen2.5-coder:3b-awq-pile-q4_0 --xclbin-from Qwen2.5-3B-Instruct-NPU2
export FLM_CONFIG_PATH="$HOME/.config/flm/model_list.json" FLM_XCLBIN_PATH="$HOME/.config/flm"
flm serve qwen2.5-coder:3b-awq-pile-q4_0

curl -s http://localhost:52625/v1/completions -H 'Content-Type: application/json' \
  -d '{"model":"qwen2.5-coder:3b-awq-pile-q4_0","prompt":"<|fim_prefix|>def add(a, b):\n    <|fim_suffix|>\n\nprint(add(1, 2))<|fim_middle|>","max_tokens":32,"temperature":0}'
ПодробнееБенчмарк SAFIM pass@1 (control / block / api): эта модель — 54.7 / 39.5 / 65.5; без AWQ на FLM — 5.3 / 3.9 / 18.1.
Железо: процессор AMD Ryzen AI с архитектурой XDNA 2 (серия Ryzen AI 300 или новее).
Среда: FastFlowLM версии 1.0.11.
Лицензия: Qwen RESEARCH LICENSE AGREEMENT (Alibaba Cloud, только некоммерческое использование).
Обсудить Telegram 0 29

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # nickto/Qwen2.5-Coder-3B-AWQ-Pile-Q4_0-NPU2
    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 nickto/Qwen2.5-Coder-3B-AWQ-Pile-Q4_0-NPU2 --local-dir ~/models/Qwen2.5-Coder-3B-AWQ-Pile-Q4_0-NPU2
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen2.5-Coder-3B-AWQ-Pile-Q4_0-NPU2
  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.

  • 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

Новые посты про версии Qwen2.5-Coder-3B-AWQ-Pile-Q4_0-NPU2 — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

nickto/Qwen2.5-Coder-3B-AWQ-Pile-Q4_0-NPU2
Автор
nickto
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

290

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

TeachMaster Coder

TeachMaster Coder
Компьютерное зрение

Signpost-Jev-4B

Signpost-Jev-4B
Компьютерное зрение

Qwen3.6-35B-A3B-REAP25

Qwen3.6-35B-A3B-REAP25