К содержимому
Языковые модели

qwen3.8-flash-next-p100a

запуск Qwen3.8-Flash-Next на одной карте Tenstorrent Blackhole p100a и CPU

2 мин чтения

Это порт и готовый сервер инференса (выполнения нейросети) от автора sunandbean, позволяющий запускать тяжелую MoE-модель (архитектура с разделением на множество узких «экспертов») Qwen3.8-Flash-Next на одном ускорителе Tenstorrent Blackhole p100a в связке с обычным десктопным процессором. Плотные слои, голова модели, слой спекулятивного декодирования MTP и самые востребованные «эксперты» размещаются в памяти ускорителя, а остальные эксперты подгружаются из GGUF-файла через CPU-ядра ggml. В отличие от чисто процессорного запуска, гибридная схема с кастомными ядрами ttnn и спекулятивным декодированием дает 10–17 токенов в секунду при контексте до 32k. Решение подойдет владельцам карт Tenstorrent и энтузиастам локального ИИ, которым нужен локальный API, совместимый с OpenAI и Anthropic.

Ключевые особенности

  • Гибридное распределение нагрузки: горячие эксперты (8 или 16 ГБ) и основные слои работают на карте p100a, остальные читаются из GGUF на CPU.
  • Ускорение через MTP: спекулятивное декодирование (предсказание сразу нескольких токенов вперед) поднимает скорость генерации с ~8–9 до 10.4–16.6 tok/s.
  • Три профиля запуска: coder (256 экспертов, по умолчанию), ускоренный coder-fast и базовая full на 512 экспертов.
  • Готовый API и кеш префиксов: поддержка эндпоинтов OpenAI и Anthropic (включая режим рассуждений и работу с Claude Code), а также разделение времени для нескольких пользователей.

Что можно сделать

  • Подключить к Claude Code: запустить сервер с флагом --thinking off и использовать локальную модель для написания кода и тестов через Anthropic API.
  • Интегрировать в свои сервисы и агенты: подключить как локальный бэкенд по стандартному протоколу /v1/chat/completions с поддержкой стриминга и вызова инструментов (tools).
  • Выбрать баланс под задачи: использовать coder-fast для максимальной скорости генерации кода или профиль full для универсальных задач и работы с корейским языком.

Пример

tt-model pull  sunandbean/qwen3.8-flash-next-p100a --with-weights
tt-model serve sunandbean/qwen3.8-flash-next-p100a

curl -s localhost:20000/v1/chat/completions -H 'Content-Type: application/json' -d '{
  "model": "qwen3.8-flash-next-p100a-coder", "max_tokens": 300,
  "messages": [{"role": "user", "content": "Write a Python function that parses ISO-8601 durations."}]}'
ПодробнееКачество и скорость: 50/50 на бенчмарке GSM8K-50; до 16.6 tok/s на коде в профиле coder-fast (тест на Ryzen 9 7900 + p100a), чтение промпта 31–58 tok/s.
Железо: требуется одна карта Tenstorrent p100a, процессор x86-64 с AVX2 (от 8 ядер), минимум 64 ГБ ОЗУ и ~110 ГБ на диске для coder (+90 ГБ для full).
Ограничения: при нехватке 64 ГБ RAM скорость падает до скорости диска; при первом запуске скачивается ~96 ГБ весов и собирается кеш на 14 ГБ; контекст ограничен 32k токенов.
Лицензия: код порта — Apache-2.0, веса — Qwen Community License 1.0 (есть ограничения для коммерческих MaaS и AI-ассистентов).
Обсудить Telegram 0

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.

    # sunandbean/qwen3.8-flash-next-p100a
    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 sunandbean/qwen3.8-flash-next-p100a --local-dir ~/models/qwen3.8-flash-next-p100a
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к qwen3.8-flash-next-p100a
  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.

  • 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 qwen3.8-flash-next-p100a — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

sunandbean/qwen3.8-flash-next-p100a
Автор
sunandbean
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии