/ Модель

Характеристики

Контекст
262 144 токена
Параметры
5,1 млрд
Размер весов
47,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen4_exp_text · MoE
Базовая модель
qwen3.8-flash-coder-85gb-bf16
Опубликована
27 авг 2026

qwen3.8-flash-coder-44gb-selective-int8

Генерация текстаТекст → текст9 профессий

Разреженная MoE-модель для генерации, отладки и изменения кода с избирательной INT8-квантизацией экспертных слоёв.

6 360скачиваний за 30 дней20лайковвеса обновлены10 сен 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

Qwen3.8-Flash-Coder-44GB-Selective-INT8 — разреженная MoE-модель для генерации и изменения программного кода, опубликованная Jab1718. Это вариант контрольной точки Jab1718/qwen3.8-flash-coder-85gb-bf16 с избирательной INT8-квантизацией экспертных слоёв; согласно карточке, роутеры, механизмы внимания и ряд общих модулей сохранены в BF16. В метаданных указаны 5,1 млрд параметров, архитектура Qwen4ExpForCausalLM и контекст до 262 144 токенов.

Модель предназначена для написания, отладки и изменения кода, включая работу в сценариях coding agent. Карточка описывает размещение весов размером 44,29 ГБ и приводит результаты собственного тестирования на задачах программирования; эти результаты не гарантируют аналогичного качества на других задачах. Модель принимает текст и генерирует текст. В метаданных перечислены английский, вьетнамский и китайский языки.

Репозиторий распространяется по лицензии Apache-2.0. Для запуска требуются значительные ресурсы GPU; README заявляет возможность размещения на двух GPU по 32 ГБ, однако совместимость зависит от программного обеспечения и конфигурации оборудования.

Сценарии применения

  • генерация программного кода по текстовому запросу
  • поиск и исправление ошибок в коде
  • изменение и рефакторинг существующих программ
  • помощь coding agent при выполнении задач разработки

Ограничения

Для запуска требуется значительный объём памяти GPU. Результаты бенчмарка в README получены на ограниченном наборе задач и не гарантируют качество на других языках и сценариях программирования.

Для каких профессий подходит9

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

⚡ Qwen3.8-Flash-Coder-44GB-Selective-INT8 (160 Experts Hardware-Aligned Subnet)

GitHub Toolkit License: Apache 2.0 BF16 Parent

Qwen3.8-Flash-Coder-44GB-Selective-INT8 is a high-performance, selective-quantized Mixture-of-Experts (MoE) coding model. Sliced down from the monolithic Qwen/Qwen3.8-Flash-Next (335GB) and quantized from the Qwen3.8-Flash-Coder-85GB-BF16 parent checkpoint, this model reduces disk and VRAM footprint to exactly 44.29 GB (a 44.2% VRAM reduction and 86.8% reduction from base), enabling full zero-offload deployment on only 2x 32GB GPUs (e.g. 2x NVIDIA RTX 5000 Ada, 2x RTX 4090/3090, or 1x A100/H100 80GB).


🔬 Selective Quantization Architecture

Traditional MoE post-training quantization often quantizes all layers uniformly, which severely degrades the Router Gate and causes Routing Collapse (routing tokens to sub-optimal experts).

This checkpoint introduces Selective MoE Quantization:

  1. Critical High-Precision Modules (Kept in 100% Native BF16):
    • Router Gates: Retain 100% floating-point routing fidelity across all 48 layers.
    • Multi-Head Self-Attention & Linear Attention: q_proj, k_proj, v_proj, o_proj.
    • Shared Expert, RMSNorms, Embeddings & LM Head: Zero quantization loss in embedding projections.
  2. High-Capacity Sparse Experts (Quantized to Symmetric Per-Channel INT8):
    • 160 MoE Experts across 48 layers (gate_up_proj, down_proj).
    • Symmetrically quantized per-channel with dynamic scaling vectors (gate_up_proj_scale, down_proj_scale).

📊 Technical Specifications

ParameterOriginal Monolith (Qwen3.8-Flash-Next)BF16 Parent CheckpointSelective MoE INT8 (This Checkpoint)
Disk / VRAM Size~335 GB (131 Shards)85.24 GB (2 Shards)44.29 GB (2 Shards: 25.3GB + 19.0GB)
Numerical FormatBfloat16Bfloat16Selective INT8 (Router BF16 + Experts INT8)
Layers / Total Experts48 Layers / 512 Experts48 Layers / 160 Experts48 Layers / 160 Experts
Active Experts / Token10 Experts8–10 Experts8 Active Experts
Required Hardware8x H100 (80GB) Cluster3x RTX 5000 Ada (32GB)2x RTX 5000 Ada (32GB) or 2x RTX 4090 (24GB)
Per-GPU Memory Usage>45 GB / GPU (8x GPUs)~27.3 GB / GPU (3x GPUs)~22.1 GB / GPU (2x GPUs)
Toolkit—moe-slicemoe-slice

🏆 Empirical Sandbox Benchmark Results (100 Real-World Tasks)

The model was rigorously tested across an isolated execution-based sandbox benchmark covering 100 challenging tasks in systems engineering, algorithms, and autonomous coding agents:

Language / DomainTested SuitePass@1 AccuracyVerified Engineering Competencies
⚡ C++ (Modern C++20)10 Tasks100.0% (10/10)Concurrency (ThreadSafeQueue, AtomicCounter), Smart Pointers, C++20 Concepts, Templates
🦀 Rust (Systems)10 Tasks100.0% (10/10)Tokio Async MPSC, Safe Mutex, Iterators, Borrow Checker, Pattern Matching, Traits
🐹 Go (Golang Systems)5 Tasks80.0% (4/5)Worker Pools, Channel Synchronization, Struct JSON Marshal, Binary Search Slice
🌐 TypeScript (Fullstack)5 Tasks80.0% (4/5)Generic Debounce, Promise Retry, Generic Deep Clone, Zod-like Schema Validator
🤖 Coding Agent20 Tasks80.0% (16/20)Automated Debugging (100%), Code Refactoring & Diff Patches (100%), Fill-in-the-Middle (FIM)
🐍 Python Algorithms50 Tasks78.0% (39/50)Dynamic Programming, Tree Structures (BST, LCA, Trie), Binary Search, Sorting
📊 TOTAL BENCHMARK100 Tasks83.0% (83/100)Real Multi-Language Isolated Sandbox Code Execution

[!NOTE] Compared to the original un-tuned base model (67.0%), this 44.3GB Selective INT8 checkpoint achieves a +16.0% absolute Pass@1 increase while slashing memory consumption by nearly half.


🚀 Quickstart & Inference

To achieve high-throughput inference with on-demand vectorized dequantization across 2 GPUs:

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "0,1" # 2x GPUs

import torch
from transformers import AutoConfig, AutoTokenizer, AutoModelForCausalLM

model_id = "Jab1718/qwen3.8-flash-coder-44gb-selective-int8"

config = AutoConfig.from_pretrained(model_id, trust_remote_code=True)
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)

# Device mapping across 2 GPUs (Embeddings + Layers 0..23 on GPU 0; Layers 24..47 + Head on GPU 1)
device_map = {
    "model.embed_tokens": "cuda:0",
    "model.rotary_emb": "cuda:0",
    "model.hyper_connection_mixer": "cuda:1",
    "model.norm": "cuda:1",
    "lm_head": "cuda:1"
}
for i in range(24):
    device_map[f"model.layers.{i}"] = "cuda:0"
for i in range(24, 48):
    device_map[f"model.layers.{i}"] = "cuda:1"

# Load model weights
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    device_map=device_map,
    trust_remote_code=True
)

prompt = "Write a lock-free thread-safe queue in C++20 using atomic operations."
messages = [
    {"role": "system", "content": "You are an expert modern C++20 systems engineer."},
    {"role": "user", "content": prompt}
]
formatted = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(formatted, return_tensors="pt").to("cuda:0")

with torch.inference_mode():
    outputs = model.generate(**inputs, max_new_tokens=512, do_sample=False)

print(tokenizer.decode(outputs[0][inputs.input_ids.shape[1]:], skip_special_tokens=True))

📜 Citation & Acknowledgements

@software{moe_slices_qwen38_int8,
  author = {Thai Nguyen},
  title = {Qwen3.8-Flash-Coder-44GB-Selective-INT8: 44.3GB Hardware-Aligned Coding Subnet},
  url = {https://github.com/Jab1718/Moe-slices},
  year = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen4ExpForCausalLM
Ревизия весов
7da40be

0 моделей