К содержимому
Другое

Qwen3.8-27b-Terse-Coder-Basalt

компактная версия Qwen3.8-27B для быстрого кодинга

2 мин чтенияобновлено

Готовый пакет модели Qwen3.8-27B от автора Shockem, дообученной для программирования и упакованной в формат Basalt (файловый формат для локального запуска квантованных моделей). Главная фишка версии Terse-Coder — сокращение цепочки рассуждений (chain-of-thought) примерно в десять раз при сохранении точности ответов. Модель основана на базе Qwen/Qwen3.8-27B со влитым адаптером Terse-Coder и квантована в смешанной точности (NVFP4 и FP8), благодаря чему файл весит 21.6 ГБ. Подойдёт разработчикам, которым нужна локальная модель на 27 млрд параметров, не тратящая лишние токены и время на длинные размышления перед выдачей кода.

Ключевые особенности

  • Краткие рассуждения: тратит примерно в 10 раз меньше токенов на chain-of-thought в задачах программирования без потери правильности решения.
  • Смешанное квантование (21.6 ГБ): слои MLP и выходной слой сжаты в NVFP4, проекции внимания и GDN — в FP8 E4M3, а эмбеддинги оставлены в BF16.
  • Поддержка зрения и длинного контекста: в пакет включён vision projector, а в тестах модель проверялась на контексте 131072 токена с KV-кэшем в int8.
  • Работа с инструментами: прошла внутренний набор тестов (15/15 за 64 секунды) на следование инструкциям, JSON, вызов тулов и написание кода.

Что можно сделать

  • Локальный ассистент программиста: подключить к IDE или агентскому пайплайну (для агентского режима автор рекомендует шаблон Shockem/froggeric-terse-coder) для быстрой генерации кода с минимальным расходом токенов.
  • Запуск на двух видеокартах среднего объёма: развернуть на связке из двух GPU по 16 ГБ VRAM (в карточке приведён замер на двух RTX 5060 Ti 16 GB с разделением слоёв).
  • Автоматизация и вызов функций: использовать в локальных скриптах, где требуется строгий вывод JSON, работа с инструментами и контекст до 128k токенов.

Пример

basalt serve Qwen3.8-27B-Terse-Coder-NVFP4.basalt --spec 0 --kv int8
ПодробнееМетрики исходного чекпоинта на vLLM (в формате Basalt повторно не замерялись): HE+ 91.5, MBPP+ 79.4, GSM8K 98.5, GPQA 79.8.
Замеры скорости на Basalt 0.4.1 (2× RTX 5060 Ti 16 GB, контекст 131072, int8 KV): prefill — 3491–5373 tok/s (в зависимости от длины от 512 до 64k), генерация — 22.1 tok/s.
Ограничение: при разделении слоёв на две карты необходимо передавать флаг --spec 0 (при spec >= 2 встроенный FP8 MTP-драфтер падает с ошибкой памяти на первом токене).
Рекомендуемые параметры сэмплирования (вшиты в пакет): temperature 0.6, top_p 0.95, top_k 20. Лицензия: Apache 2.0.
Обсудить Telegram 0 20

Запустится ли?

Считаем требования к памяти

Бот ещё собирает размеры весов этой модели — оценка появится здесь через несколько минут. Пока можно арендовать видеокарту с запасом.

Massed ComputeОткрыть Massed Compute

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.

    # Shockem/Qwen3.8-27b-Terse-Coder-Basalt
    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 Shockem/Qwen3.8-27b-Terse-Coder-Basalt --local-dir ~/models/Qwen3.8-27b-Terse-Coder-Basalt
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3.8-27b-Terse-Coder-Basalt
  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 Qwen3.8-27b-Terse-Coder-Basalt — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Shockem/Qwen3.8-27b-Terse-Coder-Basalt
Автор
Shockem
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

200

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Компьютерное зрение

HITCH

HITCH