К содержимому
Языковые модели

NYXIS-30B-A3B-GGUF

быстрая 30B MoE-модель для кода и логики на 6 ГБ VRAM

2 мин чтенияобновлено

NYXIS-30B-A3B-GGUF — локальная языковая модель в формате GGUF от автора NoobieToPro для написания кода, математических расчётов и работы автономных агентов. Она построена на архитектуре MoE (Mixture-of-Experts — смесь экспертов, где на каждый токен активируется лишь часть нейросети): из 30 млрд параметров задействуются только 3,3 млрд. Благодаря гибридной выгрузке экспертов между GPU и CPU через llama-server и спекулятивному декодированию модель выдаёт качество уровня плотных 27B-моделей, но запускается даже на обычных ноутбуках с 6 ГБ видеопамяти. Подойдёт разработчикам, которым нужен быстрый локальный ассистент без мощных серверных видеокарт.

Ключевые особенности

  • Архитектура 30B / 3.3B active MoE: сочетает объём знаний 30-миллиардной модели со скоростью инференса компактной 3,3B-сети.
  • Работа на слабом железе: выдаёт 27–34+ tok/s на ноутбучной RTX 4050 (6 ГБ VRAM) и разгоняется до 70–95+ tok/s на десктопных картах уровня RTX 4070 (12–16 ГБ VRAM).
  • Протокол Micro-Blueprint: встроенное архитектурное планирование через тег помогает выдавать готовый рабочий код (HTML/CSS/JS, Rust, TypeScript, Python) за один проход без заглушек.
  • Пошаговая дедукция: модель принудительно строит пошаговую подстановку условий при решении логических загадок и многошаговых текстовых задач.

Что можно сделать

  • Генерировать полноценные одностраничные приложения, интерфейсы и утилиты на Python, TypeScript, Rust или веб-стеке локально без отправки кода в облако.
  • Подключить модель к локальному рабочему пространству NYXIS Local Desktop AI Workspace или своему агенту через API llama-server и Ollama.
  • Решать математические текстовые задачи и сложные логические головоломки с проверкой промежуточных шагов рассуждения.

Пример

llama-server -m NYXIS-30B-A3B-Q3_K_M.gguf \
  -ngl 99 --n-cpu-moe 29 \
  -fa on --cache-type-k q8_0 --cache-type-v q8_0 \
  -c 6144 -b 2048 -ub 512 \
  -t 4 -tb 8 --prio 3 --poll 100 --cpu-strict 1
ПодробнееТребования к железу: от 6 ГБ VRAM (занимает ~3,3–5,4 ГБ видеопамяти) и 16 ГБ оперативной памяти (в простое с оптимизацией Working Set занимает около 260 МБ RAM).
Скорость и тесты: 100% Pass-1 на локальных проверках (калькулятор, regex, канбан-доска, математика и логика на 3 шага) при 27,2–34,2 tok/s на RTX 4050 Laptop.
Рекомендуемые параметры сэмплирования: для кода и математики temperature: 0.30, для чата 0.55 (top_p: 0.92, min_p: 0.05).
Лицензия: CC-BY-NC-SA-4.0 — бесплатно для локального, личного и исследовательского использования, коммерческий хостинг запрещён без отдельного соглашения.
Обсудить Telegram 1 93

Запустится ли?

Запустится в GGUF Q2_K

Влезает самая точная из готовых сжатых версий.

  • GGUF Q2_Kвеса 10 GB · готовые файлы12 GB

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: GGUF Q2_K — от RTX 5080

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

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.

    # NoobieToPro/NYXIS-30B-A3B-GGUF — A30, GGUF Q2_K
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    # 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 -fsSL https://ollama.com/install.sh | sh
    ollama run hf.co/NoobieToPro/NYXIS-30B-A3B-GGUF:Q2_K
    Добавить ещё LoRA к NYXIS-30B-A3B-GGUF
  3. 3. Пользуйтесь

    Чат откроется прямо в терминале. Выйти — /bye, запустить снова — та же команда ollama run.

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

Qwen/Qwen3-VL-30B-A3B-Instruct

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

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 3Все на Hugging Face

О модели

NoobieToPro/NYXIS-30B-A3B-GGUF
Автор
NoobieToPro
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

931

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Merlin-9M

Merlin-9M
Языковые модели

Lynx-0.8B

Lynx-0.8B
Языковые модели

LFM2.5-2.6B

LFM2.5-2.6B