К содержимому
Языковые модели

DeepSeek-V4.1-Flash-1017-Orca-Sushi-STQ-1.75bpw

260B модель в формате Sushi для запуска на 48 ГБ памяти

2 мин чтенияобновлено

Эта модель представляет собой конвертацию orcarouter/DeepSeek-V4.1-Flash-1017-abliterated-GGUF (очищенной от отказов версии на базе DeepSeek-V4.1-Flash-1017 на 260.06 млрд параметров) в нативный формат движка Sushi от автора sanasol2008. В её основе лежит архитектура MoE (Mixture of Experts — разреженная смесь экспертов), где маршрутизируемые эксперты сжаты до 1.75 бита на вес (1.75bpw). Благодаря стримингу экспертов с SSD такой объём удаётся поднять даже на локальной машине без серверного кластера.

Ключевые особенности

  • Ультракомпактное кодирование экспертов: все маршрутизируемые эксперты перекодированы в формат PAIR1-w16-v1 со средним весом 1.75bpw, а плотный ствол (trunk) сохранён в SPEC1-w15 и F32.
  • Поддержка русского и английского языков с сохранением оригинального шаблона чата (chat template) из донорской модели.
  • Самостоятельный полный пакет (standalone ROOT) на 1124 файла общим объёмом ~332.5 ГБ с проверкой целостности через SHA256-манифест.
  • Совместимость с движком Sushi v1.6.0, включая OpenAI-совместимый API и встроенный веб-интерфейс чата.

Что можно сделать

  • Развернуть локальный OpenAI-совместимый сервер (/v1/chat/completions) на Apple Silicon Mac с 48 ГБ объединённой памяти и быстрым SSD.
  • Использовать для генерации текста и диалогов без встроенных цензурных отказов (abliterated-версия), отключая режим рассуждений через chat_template_kwargs для ускорения ответа.
  • Подключать к локальным агентам, скриптам и чат-интерфейсам через встроенный UI или стандартные HTTP-запросы.

Пример

sushi repack ./orca && sushi repack ./orca --check
sushi serve --model ./orca --host 127.0.0.1 --port 12453 \
  --ctx-size 2048 --ssd-budget-gb 24 --no-mtp --no-vision
ПодробнееОбъём файлов: ~332.5 ГБ (1124 файла в pinned-коммите); 1.75bpw относится только к маршрутизируемым экспертам.
Железо и скорость: проверено на Mac с 48 ГБ RAM (бюджет SSD-кэша 24 ГБ, RSS ~16.7 ГБ), скорость генерации в тесте — 1.5–2.5 токена/с.
Ограничения: двойное квантование (из GGUF в Sushi), 4 эксперта не откалиброваны, модули DSpark/MTP отсутствуют, полномасштабные бенчмарки качества ещё не завершены.
Обсудить Telegram 0 45

Запустится ли?

Не запустится

Не хватает памяти даже для 4-bit. Ниже — где арендовать подходящую видеокарту.

  • F8_E4M3рекомендуемвеса 304 GB · готовые файлы305 GB
  • 4-bitвеса 136 GB137 GB

Совет: берите 8-bit.F8_E4M3 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: В домашние видеокарты не поместится — выгоднее арендовать.

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 8× RTX A6000

    $3.41 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.

    # sanasol2008/DeepSeek-V4.1-Flash-1017-Orca-Sushi-STQ-1.75bpw — 8× RTX A6000, F8_E4M3
    # 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 sanasol2008/DeepSeek-V4.1-Flash-1017-Orca-Sushi-STQ-1.75bpw --max-model-len 8192 --tensor-parallel-size 8
  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 DeepSeek-V4.1-Flash-1017-Orca-Sushi-STQ-1.75bpw — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

sanasol2008/DeepSeek-V4.1-Flash-1017-Orca-Sushi-STQ-1.75bpw
Автор
sanasol2008
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

450

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии