К содержимому
Другое

Qwen3-8B-5layer-Dense-FFN49152

5-слойная draft-модель для ускорения Qwen3-8B

2 мин чтенияобновлено

Эта модель представляет собой компактный 5-слойный черновик (draft-модель) для спекулятивного декодирования (метод ускорения генерации, когда маленькая модель быстро накидывает токены, а основная их проверяет) на базе Qwen3-8B. Она создана автором yushengsu как плотный (dense) аналог версии на базе MoE (Mixture-of-Experts — архитектуры с маршрутизацией по экспертам) Qwen3-8B-5layer-MoE-8E4A-v1: вместо 8 экспертов с активацией 4 здесь используется один плотный блок SwiGLU FFN шириной 49152. За счёт этого модель сохраняет ту же вычислительную нагрузку на токен (FLOPs), но требует вдвое меньше параметров в FFN-слоях — около 3.3 B всего против 6.4 B у MoE-версии. Пригодится разработчикам, запускающим Qwen3-8B в SGLang и ищущим баланс между скоростью черновика и расходом памяти.

Ключевые особенности

  • Архитектура: 5 слоёв с механизмом внимания GQA (32 головы, 8 KV-голов по 128), привязанных к слоям 1, 9, 17, 25 и 33 базовой модели, с rank 256 для markov head.
  • Плотный FFN вместо MoE: промежуточная размерность SwiGLU FFN равна 49152 (4 × 12288), что даёт 0.60 B параметров на слой вместо 1.21 B у 8E4A при идентичных активных FLOPs.
  • Рецепт обучения DSpark: обучена на датасете PerfectBlend, перегенерированном через Qwen3-8B (температура 0, режим non-thinking), с контекстом 8192 токена и шаблоном qwen3-instruct.
  • Чекпоинты по эпохам: в репозитории выгружаются сохранения по эпохам от 1ep/ до 5ep/ в формате Hugging Face для запуска через Qwen3DSparkModel.

Что можно сделать

  • Ускорить инференс Qwen3-8B: подключить модель как DSpark draft в движке SGLang через класс Qwen3DSparkModel для снижения задержки генерации.
  • Сравнить dense и MoE черновики: протестировать FFN49152 против Qwen3-8B-5layer-MoE-8E4A-v1 и более узкой FFN24576 на своих задачах, оценив скорость принятия токенов и потребление VRAM.

Пример

Сценарий использования из карточки: модель предназначена для работы в связке с базовой Qwen/Qwen3-8B в среде SGLang в качестве плотного DSpark-черновика (класс Qwen3DSparkModel) с длиной контекста до 8192 токенов и шаблоном qwen3-instruct. Выбирать нужную стадию обучения можно через директории чекпоинтов от 1ep/ до 5ep/.

ПодробнееОбъём параметров: ~3.3 B всего (0.60 B на слой в FFN вместо 1.21 B у 8E4A).
Обучение: 5 эпох (53 822 шага, глобальный батч 132), cosine lr от 6e-4 с warmup 4 %, DSpark CE 0.1 / L1 0.9, 512 якорей, decay gamma 7, seed 42.
Железо и код: два сервера по 4× GB300 в одном домене NVLink, код из ветки exp/qwen3-8b-5layer-dense49152-dspark (SpecForge) с use_liger_kernel: true.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 6.3 GB · готовые файлы7.4 GB
  • FP8 / INT8рекомендуемвеса 3.2 GB4.0 GB
  • 4-bitвеса 1.8 GB2.5 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 5060 Ti 8GB

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.

    # yushengsu/Qwen3-8B-5layer-Dense-FFN49152
    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 yushengsu/Qwen3-8B-5layer-Dense-FFN49152 --local-dir ~/models/Qwen3-8B-5layer-Dense-FFN49152
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3-8B-5layer-Dense-FFN49152
  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/Qwen3-8B
  1. Qwen3-8B-Baseоснова семьи
  2. Qwen3-8B
  3. Qwen3-8B-5layer-Dense-FFN49152

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

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 4Все на Hugging Face

О модели

yushengsu/Qwen3-8B-5layer-Dense-FFN49152
Автор
yushengsu
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