К содержимому
Другое

Qwen3.8-next-120b-dmtp

спекулятивный драфтер для ускорения Qwen3.8 Next 120B

2 мин чтенияобновлено

Лёгкая модель-черновик объёмом 616 млн параметров (около 1,23 ГБ), предназначенная для ускорения генерации текста большой языковой моделью Qwen3.8 Next 120B методом speculative decoding (ускорение инференса за счёт предсказания нескольких токенов вперёд и их быстрой проверки основной моделью). Разработка от автора Piggy12 объединяет встроенный в Qwen модуль MTP (предсказание следующего токена) и параллельную блочную генерацию DFlash2. В отличие от базового чекпоинта Qwen3.8-Flash-Next-DFlash2, здесь используется механизм DMTP: первый кандидатный токен предлагает нативный MTP, а DFlash2 параллельно достраивает остальные токены блока с учётом нормализованного представления первого кандидата. Репозиторий содержит только веса драфтера — саму модель на 120B параметров и её эмбеддинги нужно подключать отдельно.

Ключевые особенности

  • Гибридная архитектура DMTP: нативный MTP формирует первый токен T1, после чего DFlash2 параллельно предсказывает ещё шесть токенов блока.
  • Обучена путём дообучения (шаг 7000) публичного чекпоинта Qwen3.8-Flash-Next-DFlash2 на базе реализации Z Lab DFlash2.
  • Содержит 5 драфт-слоёв с hidden size 2560 и использует признаки с 5, 15, 25, 35 и 45 слоёв целевой модели.
  • Поставляется в формате BF16 (84 тензора), включая свёрточные модули DFlash2, селектор кандидатов ранга 256 (top-k 16) и веса обуславливания T1.

Что можно сделать

  • Ускорить локальный или серверный инференс Qwen3.8 Next 120B в форке движка SGLang с поддержкой архитектуры HC/QSA DMTP.
  • Адаптировать пайплайн спекулятивного декодирования в собственный рантайм инференса, опираясь на открытую реализацию в GitHub и PR #50270 для SGLang.

Пример

git clone --depth 1 --branch dmtp-qsa-four-slot-20261113 \
  [https://github.com/Sylvan820/sglang-dmtp.git](https://github.com/Sylvan820/sglang-dmtp.git)
cd sglang-dmtp

hf auth login
hf download Piggy12/Qwen3.8-next-120b-dmtp \
  --local-dir ./models/Qwen3.8-next-120b-dmtp
ПодробнееПараметры: 616 177 920 (BF16, ~1,23 ГБ), 5 слоёв, hidden size 2560, intermediate size 7680.
Обучение: шаг 7000 от Qwen3.8-Flash-Next-DFlash2; целевая модель и её MTP при обучении были заморожены.
Совместимость: не работает со стандартным загрузчиком Transformers или обычным DFlash — требуется рантайм с поддержкой DMTP и HC/QSA.
Ограничения: экспортированные веса прошли проверки целостности и контрольных сумм, но финальная валидация генерации на GPU для шага 7000 ещё не завершена; производительность инференса находится в стадии оптимизации.
Обсудить Telegram 2 54

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.1 GB · готовые файлы1.8 GB
  • FP8 / INT8рекомендуемвеса 0.6 GB1.1 GB
  • 4-bitвеса 0.3 GB0.9 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 2060

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.

    # Piggy12/Qwen3.8-next-120b-dmtp
    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 Piggy12/Qwen3.8-next-120b-dmtp --local-dir ~/models/Qwen3.8-next-120b-dmtp
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3.8-next-120b-dmtp
  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-next-120b-dmtp — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Piggy12/Qwen3.8-next-120b-dmtp
Автор
Piggy12
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

542

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

ViCoR

ViCoR
Языковые модели

QJev-1.5B

QJev-1.5B