К содержимому
Другое

Qwen3-8B-5layer-MoE

компактный MoE-драфтер для ускорения генерации

1 мин чтения

Модель представляет собой специализированный драфтер для спекулятивного декодирования (метода ускорения генерации больших языковых моделей), созданный на базе Qwen3-8B с помощью SpecForge (DSpark). Архитектура включает всего 5 целевых слоев, где каждый FFN (полносвязный слой) преобразован в Mixture of Experts с 8 экспертами шириной 24576 и двумя активными экспертами на токен. Общее число параметров составляет 12.45B при 3.39B активных. Разработка ориентирована на исследователей и инженеров, занимающихся оптимизацией скорости инференса LLM (больших языковых моделей).

Ключевые особенности

  • Спецификация архитектуры: 5 целевых слоев (1/9/17/25/33) с проектором и Markov head.
  • MoE-структура: 8 экспертов без общего эксперта, top-2 маршрутизация.
  • Параметры: 12.45B общих и 3.39B активных параметров на токен.
  • Обучение: 1 эпоха на наборе perfectblend с контекстом 8192 и шаблоном qwen3-instruct.

Что можно сделать

  • Ускорение инференса: Использовать модель в качестве драфтера для спекулятивного декодирования Qwen3-8B.
  • Оптимизация пайплайнов: Развернуть модель с помощью специального форка библиотеки для инференса MoE-драфтеров.
  • Исследования: Изучить поведение 5-слойных MoE-архитектур в задачах генерации текста.

Пример

Для запуска и обслуживания модели требуется использовать специальный пакет из форка репозитория SpecForge (ветка dev-moe-serving) с поддержкой Qwen3MoeDSparkModel.

ПодробнееБазовая модель: Qwen/Qwen3-8B
Архитектура: 5 слоев, MoE 8x24576, top-2
Обучение: 1 эпоха, lr 6e-4, 9867 шагов на узлах GB300
Требования: пакет dev-moe-serving для инференса
Обсудить Telegram 0

Запустится ли?

Запустится в FP8 / INT8

Полная точность не влезет, но сжатая версия поместится — качество почти не страдает до 8 бит, заметнее на 4 битах.

  • BF16веса 23 GB · готовые файлы26 GB
  • FP8 / INT8рекомендуемвеса 12 GB13 GB
  • 4-bitвеса 6.5 GB7.7 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 5080 · BF16 — от RTX 5090

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-MoE-8E2A-FFN24576-v1
    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-MoE-8E2A-FFN24576-v1 --local-dir ~/models/Qwen3-8B-5layer-MoE-8E2A-FFN24576-v1
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3-8B-5layer-MoE-8E2A-FFN24576-v1
  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-MoE-8E2A-FFN24576-v1

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-MoE-8E2A-FFN24576-v1
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

Другое

Mini CLM

Mini CLM