К содержимому
Другое

Qwen3.8-Flash-Next-oQ3e-mtp

180B в 86 ГиБ для MLX

2 мин чтения

Это квантованный чекпоинт модели на 180 млрд параметров, подготовленный для MLX. Автор сжал веса смешанной точностью через oQ (oMLX v0.7.4.dev1): средний эффективный размер — 3,762 бита/вес без N-gram-таблицы и 4,114 бита/вес для всего чекпоинта. Итоговый чекпоинт занимает 86,213 ГиБ; основная доля весов хранится в affine 3-bit group 64 и N-gram affine 4-bit group 32. Отдельно выделены языковая модель, N-gram embedding, Vision и MTP head — по карточке это компактный вариант для экспериментов с большой моделью в MLX.

Ключевые особенности

  • Смешанная точность oQ: 3,762 бита/вес без N-gram-таблицы, 4,114 бита/вес всего чекпоинта.
  • 180B-чекпоинт занимает 86,213 ГиБ на диске.
  • Основные веса: affine 3-bit group 64 (67,109% логических весов) и N-gram affine 4-bit group 32 (28,445%).
  • В составе есть Vision-блок на 0,449B и MTP head на 2,607B.
  • Есть отдельный fp16-вариант того же релиза для сравнения.

Что можно сделать

  • Загрузить чекпоинт в MLX/oMLX и проверить работу 180B-модели с достаточным объёмом памяти.
  • Сравнить этот mixed-precision вариант с fp16-версией scottlowry/Qwen3.8-Flash-Next-oQ3e-fp16-mtp по размеру и поведению.
  • Разобрать состав чекпоинта: языковая модель, N-gram embedding, Vision и MTP head.
  • Использовать как пример распределения битов при квантовании очень большой модели через oQ.

Пример

Пример сценария: в oMLX загрузите чекпоинт и сравните распределение битов с fp16-вариантом. Ориентир из карточки — 86,213 ГиБ хранилища и 4,114 бита/вес для полного чекпоинта.

ПодробнееСредний эффективный размер: 3,762 бита/вес без N-gram-таблицы, 4,114 бита/вес всего чекпоинта.
Хранилище: 86,213 ГиБ; языковая модель — 54,165 ГиБ, N-gram embedding — 29,802 ГиБ.
В карточке нет бенчмарков, описания языков и базовой модели — только параметры квантования и состав чекпоинта.
Обсудить Telegram 0

Запустится ли?

Не запустится

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

  • U32веса 335 GB · готовые файлы369 GB
  • FP8 / INT8рекомендуемвеса 168 GB185 GB
  • 4-bitвеса 94 GB104 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

Ни один инстанс не вместит модель целиком — нужна выгрузка в ОЗУ или кластер.

Своя видеокарта: В домашние видеокарты не поместится — выгоднее арендовать.

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.

    # scottlowry/Qwen3.8-Flash-Next-oQ3e-mtp
    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 scottlowry/Qwen3.8-Flash-Next-oQ3e-mtp --local-dir ~/models/Qwen3.8-Flash-Next-oQ3e-mtp
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3.8-Flash-Next-oQ3e-mtp
  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

Дообучение модели

Qwen/Qwen3.8-Flash-Next

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

Сжатые версии 12Все на Hugging Face
Дообучения 8Все на Hugging Face

О модели

scottlowry/Qwen3.8-Flash-Next-oQ3e-mtp
Автор
scottlowry
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии