/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,3 млрд
Лицензия
Apache 2.0
Архитектура
qwen3_next · MoE
Базовая модель
Qwen3-Coder-Next
Опубликована
22 авг 2026

Qwen3-Coder-Next-GPTQ

Генерация текстаТекст → текст10 профессий

Qwen3-Coder-Next-GPTQ — это 4-битная GPTQ-квантизованная версия модели Qwen3-Coder-Next, разработанной Qwen и подготовленной пользователем 6block.

1 568скачиваний за 30 дней0лайковвеса обновлены22 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель предназначена для генерации и обработки текста, прежде всего для задач программирования, и поддерживает английский и китайский языки. Она рассчитана на эффективное развертывание с помощью vLLM и SGLang.

В основе лежит разреженная MoE-архитектура qwen3_next: 80 млрд параметров всего, около 3 млрд активных, 48 слоёв, 512 экспертов и маршрутизация top-10. Контекст составляет 256K токенов. Используется схема W4A16 с размером группы 128 и формат compressed-tensors на базе safetensors. Большинство весов, включая линейные слои экспертов и attention, квантизовано до 4 бит, тогда как маршрутизаторы MoE и lm_head сохранены в bf16. Размер модели составляет около 40 ГиБ, что позволяет запускать её на одной видеокарте объёмом 48 ГБ и, с параллелизмом или выгрузкой, на конфигурациях с 24 ГБ.

Главное преимущество — существенное снижение требований к памяти при сохранении близкого к исходной модели поведения; по данным README, perplexity на wikitext-2-raw составляет 9,34 против 7,74 у эталонной bf16-версии. Ограничением является заметное ухудшение этого показателя относительно bf16, а также необходимость совместимого движка, поддерживающего compressed-tensors. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели.

Для каких профессий подходит10

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-Coder-Next-GPTQ

GPTQ (error-compensated weight quantization) (W4A16) quantization of Qwen/Qwen3-Coder-Next, made with llm-compressor in the compressed-tensors format for efficient serving with vLLM and SGLang.

Chinese version: README_zh.md

Why W4A16 (and not the official FP8)

Qwen publishes only an FP8 checkpoint for this model. This repo is the 4-bit (W4A16) build: ~40 GiB on disk versus ~159 GiB for the bf16 master (≈4× smaller) and about half the size of the FP8 release. That brings the 80B-A3B coder onto a single 24–48 GB GPU while the MoE routing is left untouched (see the protected layers below), so generation tracks the base model.

Weights only are quantized — activations stay 16-bit (W4A16), which is what keeps quality close to the original on a sparse MoE where the wrong rounding on a router would cascade.

Model

Base modelQwen/Qwen3-Coder-Next
Architectureqwen3_next MoE — 80B total, ~3B active, 48 layers, 512 experts, top-10 routing
Context256K
MethodGPTQ (error-compensated weight quantization), W4A16, group size 128
Formatcompressed-tensors (safetensors)
Size~40 GiB
Toolllm-compressor
LicenseApache-2.0 (inherited from base model)

What is quantized, and what is protected

GPTQ quantizes weights column-by-column and compensates the residual error into the not-yet-quantized columns using second-order (Hessian) information. It was calibrated on a 256-sample mixed code / English / Chinese corpus (2048 tokens each). On a 512-expert MoE the routing tensors are the fragile part, so they are kept at full precision:

TensorsKeptReason
*.mlp.gate (router)bf16a compressed router sends tokens to the wrong experts
lm_headbf16the output projection; a global 4-bit type would squeeze it hardest
everything else (expert + attention linears)W4A16the bulk of the weights, where 4-bit pays off

Quality (perplexity)

Perplexity on wikitext-2-raw (test), n_ctx = 512, 12 chunks, measured with vLLM — the same recipe across all three, so the numbers are directly comparable. Lower is better; the bf16 row is the ceiling.

WeightsPPLvs bf16
bf16 (master, reference)7.74—
this repo (GPTQ W4A16)9.34+20.5%

Serving

vllm serve 6block/Qwen3-Coder-Next-GPTQ

The quantization scheme is declared in config.json and detected automatically — no extra flags. Works with any engine that reads compressed-tensors (vLLM, SGLang). At ~40 GiB a single 48 GB GPU serves it comfortably; on 24 GB use tensor/pipeline parallel or offload.

Prompt format

<|im_start|>system
{system_prompt}<|im_end|>
<|im_start|>user
{prompt}<|im_end|>
<|im_start|>assistant

Other quantizations

FormatRepoNote
AWQ (W4A16)6block/Qwen3-Coder-Next-AWQthe other 4-bit build
FP8 (official)Qwen/Qwen3-Coder-Next-FP88-bit, ~2× this size

Quantized by 6block with llm-compressor. Weights are unmodified apart from quantization; all model behavior and license obligations follow the base model.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3NextForCausalLM
Ревизия весов
0a406ae

0 моделей