К содержимому
Языковые модели

Qwen3-8B-heretic

версия Qwen3-8B со снятой цензурой

2 мин чтенияобновлено

Автор RProrochenko выпустил децензурированную модификацию языковой модели Qwen/Qwen3-8B (8,19 млрд параметров, 36 слоёв), созданную с помощью инструмента Heretic v2.1.0 методом Arbitrary-Rank Ablation (ARA — точечное удаление направлений в весах нейросети, отвечающих за отказы). На практике модель отвечает на запросы, от которых оригинальная Qwen3-8B уклоняется: доля отказов снизилась с 99/100 до 5/100 при минимальном отклонении от исходного распределения (KL divergence 0.0267). При этом сохраняются все базовые возможности семейства Qwen3: рассуждения в режиме thinking, работа с кодом, вызов инструментов и поддержка более 100 языков. Подойдёт разработчикам и энтузиастам, которым нужна компактная локальная LLM без излишних фильтров для ролевых сценариев, креатива и исследований.

Ключевые особенности

  • Резкое снижение отказов: показатель Refusals упал с 99/100 у оригинальной Qwen3-8B до 5/100.
  • Сохранение исходного качества: низкое значение KL divergence (0.0267) говорит о том, что модификация затронула только механизм отказов на слоях 0–35, почти не меняя остальное поведение модели.
  • Два режима генерации: поддержка плавного переключения между режимом рассуждений (enable_thinking=True с тегами /think) и быстрым диалогом (/no_think).
  • Агентские функции и мультиязычность: совместимость с MCP и Qwen-Agent для вызова внешних инструментов, а также работа на 100+ языках и диалектах.

Что можно сделать

  • Развернуть локально в Ollama, LM Studio, llama.cpp или MLX-LM для свободного брейншторма, ролевых диалогов и генерации текстов без срабатывания встроенных фильтров.
  • Подключить через vLLM или SGLang как OpenAI-совместимый API-сервер для локальных чат-ботов и агентов.
  • Использовать в связке с Qwen-Agent и MCP-серверами для автоматизации задач, требующих вызова инструментов и логического анализа.

Пример

from transformers import AutoModelForCausalLM, AutoTokenizer

model_name = "RProrochenko/Qwen3-8B-heretic"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name, torch_dtype="auto", device_map="auto")
text = tokenizer.apply_chat_template([{"role": "user", "content": "Привет!"}], tokenize=False, add_generation_prompt=True)
inputs = tokenizer([text], return_tensors="pt").to(model.device)
print(tokenizer.decode(model.generate(**inputs, max_new_tokens=512)[0]))
Подробнее Метрики: Refusals — 5/100 (против 99/100 у базы), KL divergence — 0.0267.
Контекст: 32 768 токенов нативно и до 131 072 токенов с масштабированием YaRN.
Софт: требуется transformers>=4.51.0 (на старых версиях возникает KeyError: 'qwen3').
Рекомендации: для режима thinking использовать Temperature=0.6, TopP=0.95, TopK=20 и не применять greedy decoding.
Обсудить Telegram 0 52

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 15 GB · готовые файлы17 GB
  • FP8 / INT8рекомендуемвеса 7.6 GB9.4 GB
  • 4-bitвеса 4.3 GB6.0 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 3080 · BF16 — от RTX 4090

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

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 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.

    # RProrochenko/Qwen3-8B-heretic — A30, 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 RProrochenko/Qwen3-8B-heretic --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к Qwen3-8B-heretic
  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

Дообучение модели

Qwen/Qwen3-8B
  1. Qwen3-8B-Baseоснова семьи
  2. Qwen3-8B
  3. Qwen3-8B-heretic

Новые посты про версии Qwen3-8B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 4Все на Hugging Face

О модели

RProrochenko/Qwen3-8B-heretic
Автор
RProrochenko
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

520

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии