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.
Подробнее
Базовая модель: Qwen/Qwen3-8BАрхитектура: 5 слоев, MoE 8x24576, top-2
Обучение: 1 эпоха, lr 6e-4, 9867 шагов на узлах GB300
Требования: пакет dev-moe-serving для инференса










Комментарии