К содержимому
Другое

Ternary-Flint-40B на Intel Arc

100+ tok/s через OpenCL

2 мин чтенияобновлено

Это репозиторий с OpenCL-рантаймом для ternary MoE-модели Ternary-Flint-40B в GGUF PQ2_0. Код на Python (numpy + pyopencl) запускает 2-битную модель на одной Intel Arc A770 16 ГБ. Автор добавляет только рантайм: сам GGUF — неизменённая копия кванта от kabcpc, базовая модель Flint — от RecursiveSI.

Ключевые особенности

  • 106,3 tok/s на коротком контексте и 102,9 tok/s в среднем до 2048 позиций на одной A770 16 ГБ.
  • Минимальный OpenCL-рантайм: один Python-файл на numpy и pyopencl, без тяжёлого стека.
  • В репозитории лежат GGUF PQ2_0 на ~11 ГБ, tokenizer.json и код; квантование сделал kabcpc.
  • Есть команды check, speed, prompts и long для проверки корректности, скорости и perplexity.
  • Пока только batch 1 и greedy-декодирование; автор ищет тестеры на других Intel Arc.

Пример

pip install -r requirements.txt
python flint_rt.py check --gguf Ternary-Flint-40B-PQ2_0-Calibrated-11GB.gguf --tokenizer tokenizer.json
python flint_rt.py speed --gguf Ternary-Flint-40B-PQ2_0-Calibrated-11GB.gguf --tokenizer tokenizer.json
ПодробнееСкорость: 106,3 tok/s на коротком контексте, 102,9 tok/s в среднем до позиции 2048.
Prompt processing: 113 tok/s для 512 токенов (4,52 с); загрузка из кэша ~8 с.
Perplexity: 13,38 на 1600 токенах WikiText-2 (top-1 56,0%).
Нужны Intel Arc A770 16 ГБ, драйвер с OpenCL и расширениями cl_intel_subgroups, Python 3.10+, numpy, pyopencl, tokenizers; 10,3 ГБ на кэш.
Ограничения: batch 1, только greedy, без sampling, chat template и сервера; prefill по одному токену; тестировалось только на A770 под Windows.
Обсудить Telegram 0 4

Запустится ли?

Запустится в GGUF Q2_0

Влезает самая точная из готовых сжатых версий.

  • GGUF Q2_0веса 11 GB · готовые файлы13 GB

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: GGUF Q2_0 — от RTX 5080

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.

    # TheSanchezian/Ternary-Flint-40B-Intel-Arc
    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 TheSanchezian/Ternary-Flint-40B-Intel-Arc --local-dir ~/models/Ternary-Flint-40B-Intel-Arc
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Ternary-Flint-40B-Intel-Arc
  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 Ternary-Flint-40B-Intel-Arc — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

TheSanchezian/Ternary-Flint-40B-Intel-Arc
Автор
TheSanchezian
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

40

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Flint

Flint