К содержимому
Языковые модели

Meditor-3-4B-MoE

компактная MoE-модель с 8 экспертами на базе Qwen3-4B

3 мин чтенияобновлено

Meditor-3-4B-MoE от автора Yo-Purple — языковая модель (LLM) с нестандартной архитектурой MoE (Mixture-of-Experts — смесь экспертов, где под запрос подключаются нужные модули). В основе лежит целая модель Qwen3-4B (4,02 млрд параметров), дополненная 8 специализированными LoRA-адаптерами (небольшими надстройками над базовой моделью) и компактным роутером PromptRouter на 2,90 млн параметров. Главная особенность в том, что роутер анализирует промпт ещё до генерации первого токена, выбирает от 1 до 3 профильных экспертов и динамически подмешивает их веса во все 36 слоёв сети. Подойдёт разработчикам и энтузиастам, которым нужна универсальная локальная модель для математики, кода, логики и строгого следования инструкциям на видеокартах с 8 ГБ видеопамяти.

Ключевые особенности

  • Динамическая маршрутизация до декодирования: PromptRouter оценивает скрытые состояния запроса и активирует 1–3 эксперта из 8 доступных, задействуя от 4,04B до 4,07B параметров из общих 4,16B.
  • 8 узкопрофильных экспертов (rank-8 LoRA): отдельные модули отвечают за математику (math), дедуктивную логику (logic), код (code), естественные науки и фактчек (science), жёсткие ограничения формата (constraints), стратегию (strategy), креатив (creative) и краткие ответы без лишних рассуждений (crisp).
  • Длинный контекст и низкий расход памяти: поддерживается окно контекста до 40 960 токенов, а пиковое потребление VRAM при генерации в режиме bf16_low_vram составляет 5,43 GiB (менее 3,5 ГБ при запуске в 4-битном режиме).
  • Заметный прирост над базой: в тесте Probe10 модель набирает 7,02 балла из 10 против 4,28 у исходной Qwen3-4B (+2,74 балла).

Что можно сделать

  • Поднять локальный чат-сервер с API: в репозиторий включены скрипты server.py, веб-интерфейс и терминальный чат chat.py с OpenAI-совместимым эндпоинтом /v1/chat/completions для подключения к своим пет-проектам и IDE.
  • Решать задачи на логику, код и строгий формат вывода: использовать модель для генерации JSON по схеме, пошаговых вычислений и алгоритмических задач благодаря профильным LoRA-экспертам.
  • Запускать на бюджетных GPU или в llama.cpp: запустить PyTorch-версию на карте уровня RTX 4060 8 ГБ (в том числе через --backend pytorch_4bit) либо взять совместимую GGUF-сборку Meditor-3-4B-Universal для LM Studio.

Пример

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

repo_id = "Yo-Purple/Meditor-3-4B-MoE"
tok = AutoTokenizer.from_pretrained(repo_id)
model = AutoModelForCausalLM.from_pretrained(repo_id, trust_remote_code=True)

messages = [{"role": "user", "content": "Solve x^2 - 7x + 12 = 0 briefly."}]
prompt = tok.apply_chat_template(messages, tokenize=False, add_generation_prompt=True, enable_thinking=False)
inputs = tok(prompt, return_tensors="pt")

with torch.no_grad():
    out = model.generate(**inputs, max_new_tokens=128, do_sample=False, pad_token_id=tok.eos_token_id)

print(tok.decode(out[0, inputs["input_ids"].shape[1]:], skip_special_tokens=True))
ПодробнееБенчмарк UniBench-100: средний балл 7,31/10 (1-е место из 36 прогонов серии), Pass Rate 69,0%, лучший результат в критическом мышлении (9,09/10) и креативе (8,38/10).
Тесты на RTX 4060 8 GB: загрузка за 5,26 с, пик 5,432 GiB зарезервированной VRAM в bf16_low_vram, скорость 35,7 tok/s (для Q8_0 базы с динамическими LoRA).
Требования и ограничения: для загрузки через transformers требуется флаг trust_remote_code=True; вес файлов в BF16 на диске — 7,75 GiB; лицензия Apache 2.0.
Примеры
Обсудить Telegram 0 25

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 7.5 GB · готовые файлы9.2 GB
  • FP8 / INT8рекомендуемвеса 3.7 GB5.5 GB
  • 4-bitвеса 2.1 GB3.8 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

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 3080

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 A30

    $0.26 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.

    # Yo-Purple/Meditor-3-4B-MoE — A30, FP8 / INT8
    # 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 Yo-Purple/Meditor-3-4B-MoE --max-model-len 8192 --quantization fp8
    Добавить ещё LoRA к Meditor-3-4B-MoE
  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

Дообучение модели

Qwen/Qwen3-4B
  1. Qwen3-4B-Baseоснова семьи
  2. Qwen3-4B
  3. Meditor-3-4B-MoE

Новые посты про версии Qwen3-4B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 2Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

Yo-Purple/Meditor-3-4B-MoE
Автор
Yo-Purple
Категория
Языковые модели
Дата выхода
На сайте

На сайте

Hugging Face

250

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

Meditor-2

Meditor-2
Компьютерное зрение

MedJev-4B

MedJev-4B