К содержимому
Языковые модели

Qwen3.8-27B Trim B7

облегчённая версия на 25.2B параметров без 7-го блока

2 мин чтенияобновлено

Это сжатая версия языковой модели Qwen3.8-27B, в которой физически удалён 7-й блок слоёв (слои с 28-го по 31-й), а последующие слои переиндексированы. За счёт такого прунинга (pruning — обрезка лишних частей нейросети) модель сократилась на 1.522B параметров — до 25.24B, сохранив работоспособность без незавершённых экспериментов по урезанию ширины FFN. В репозитории уже лежат готовые веса в форматах BF16 и квантованном GGUF Q4_K_M, который помещается в видеокарту с 24 ГБ VRAM. Модель пригодится тем, кто хочет запускать семейство Qwen3.8 локально с меньшими требованиями к памяти и ускоренным инференсом.

Ключевые особенности

  • Удалено 1.522B параметров (3.044 ГБ тензоров в BF16), итоговый размер — 25.239B параметров и 60 основных слоёв (плюс один MTP-слой в GGUF).
  • В комплекте есть готовый файл qwen3.8-27b-trim-b7-q4_k_m.gguf весом 15.324 ГБ, проверенный с полной выгрузкой на GPU RTX 3090 в llama.cpp.
  • Все 1 146 тензоров Hugging Face и размерности FFN прошли верификацию, а расхождение по функции потерь (loss) со стартовым прогоном не превышает 0.00108.
  • Архитектура сочетает три слоя линейного внимания (linear-attention) с одним слоем полного внимания (full-attention), hidden size составляет 5 120.

Что можно сделать

  • Развернуть локального ассистента для генерации и проверки кода на видеокарте уровня RTX 3090/4090 (24 ГБ VRAM) через llama.cpp в квантовании Q4_K_M.
  • Использовать чекпоинт в формате HF BF16 (50.478 ГБ) как базу для дальнейшего файнтюнинга или продолжения исследований по сжатию слоёв.

Пример

llama-completion \
  -m qwen3.8-27b-trim-b7-q4_k_m.gguf \
  -p "17 + 25 =" -n 128 --temp 0 -ngl 99 -c 512 -t 6 -no-cnv
ПодробнееБенчмарк B7 hard-benchmark: 88/160 (код 40/40, математика 22/40, знания 14/40, вызов инструментов 12/40 против 13/40 у исправленной оригинальной модели).
Железо и веса: GGUF Q4_K_M (15.324 ГБ) работает с полным GPU-оффлоадом на RTX 3090 (llama.cpp b12359); версии HF BF16 (50.478 ГБ, 18 шардов) и GGUF BF16 (49.567 ГБ) требуют более 50 ГБ памяти.
Детали: незаконченные чекпоинты с урезанием FFN на 10%, 20% и 30% в этот релиз не включены из-за нехватки вычислительных ресурсов.
Обсудить Telegram 0 173

Запустится ли?

Запустится в GGUF Q4_K_M

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • BF16веса 47 GB · готовые файлы49 GB
  • GGUF BF16веса 46 GB · готовые файлы49 GB
  • FP8 / INT8рекомендуемвеса 24 GB26 GB
  • GGUF Q4_K_Mвеса 14 GB · готовые файлы17 GB
  • 4-bitвеса 13 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.

    # oN8WeJbq5Jo7Pk/hus1 — 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 oN8WeJbq5Jo7Pk/hus1 --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к hus1
  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

Новые посты про версии hus1 — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

oN8WeJbq5Jo7Pk/hus1
Автор
oN8WeJbq5Jo7Pk
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

1730

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

GrimmCoder_v2

GrimmCoder_v2