/ Модель

Характеристики

Контекст
262 144 токена
Параметры
5,1 млрд
Размер весов
85,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen4_exp_text · MoE
Базовая модель
Qwen3.8-Flash-Next
Опубликована
27 авг 2026

qwen3.8-flash-coder-85gb-bf16

Генерация текстаТекст → текст8 профессий

Разреженная MoE-модель на базе Qwen3.8-Flash-Next для генерации, отладки и изменения программного кода.

3 325скачиваний за 30 дней48лайковвеса 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-85GB-BF16 — производная модель Jab1718 на базе Qwen/Qwen3.8-Flash-Next, предназначенная для генерации кода и задач программирования. По README, это выделенная с помощью moe-slice разреженная MoE-подсеть: сохранены 48 трансформерных слоёв и 160 экспертов на слой; веса представлены в BF16, размер чекпойнта — около 85,24 ГБ. В карточке Hugging Face указаны 5,1 млрд параметров и контекст до 262 144 токенов.

Модель рассчитана на диалоговое использование для написания, отладки и изменения кода, включая агентные сценарии. README сообщает о проверках на программных задачах на нескольких языках, но эти результаты относятся к описанной авторами тестовой подборке и не гарантируют аналогичного качества в других условиях. Метаданные указывают английский, вьетнамский и китайский языки; отдельная поддержка русского не заявлена. Лицензия — Apache-2.0.

Сценарии применения

  • написание функций и модулей по описанию задачи
  • поиск и исправление ошибок в коде
  • изменение существующего кода по запросу
  • решение задач по системному программированию
  • помощь в программировании в диалоговом или агентном сценарии

Ограничения

Модель требует значительного объёма видеопамяти из-за размера BF16-чекпойнта около 85,24 ГБ. Заявленные в README результаты основаны на собственной подборке из 100 задач и не являются гарантией качества на других тестах.

Для каких профессий подходит8

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-85GB-BF16 (160 Experts Hardware-Aligned Subnet)

GitHub Toolkit License: Apache 2.0 Base Model

Qwen3.8-Flash-Coder-85GB-BF16 is an ultra-high-fidelity, hardware-aligned Mixture-of-Experts (MoE) coding subnet extracted from the monolithic Qwen/Qwen3.8-Flash-Next (335GB, 512 experts/layer) down to 85.24 GB BF16 using the moe-slice toolkit.

By leveraging Layer-wise True Hidden States Profiling across all 48 transformer layers and enforcing a Hardware-Aligned Multiple of 16 Experts (160 experts/layer), this model retains the core programming reasoning capabilities of the base model while enabling zero-offload deployment on local workstations (e.g., 3x NVIDIA RTX 5000 Ada 32GB or 4x RTX 3090/4090 24GB GPUs).


📊 Technical Architecture & Specifications

FeatureOriginal Monolith (Qwen3.8-Flash-Next)Sliced Subnet (Qwen3.8-Flash-Coder-85GB-BF16)
Checkpoint Size (Disk)~335 GB (131 Shards)85.24 GB (2 Shards: 49.6GB + 35.6GB)
Numerical PrecisionBfloat16 (BF16)Bfloat16 (BF16 Native - Zero Quantization Loss)
Transformer Layers48 Layers48 Layers
Routed Experts / Layer512 Experts160 Experts (Hardware-Aligned Multiple of 16)
Active Experts / Token10 Experts10 Experts
Target Hardware8x H100 (80GB) Cluster3x RTX 5000 Ada (32GB) or 4x RTX 3090/4090 (24GB)
VRAM Footprint>350 GB~27.3 GB / GPU (3x GPUs)
Toolkit Used—moe-slice v0.1.0

🏆 Empirical Benchmark Verification (100 Real Sandbox Tasks)

The model was evaluated against an exhaustive suite of 100 real-world programming, systems, and coding agent tasks with full sandbox code execution:

Domain / LanguageBenchmark SuitePass@1 AccuracyVerified Core Competencies
🌐 TypeScript5 Tasks100.0% (5/5)Generics, Promise Retry, Event Emitter, Zod-like Validator
🦀 Rust10 Tasks100.0% (10/10)Tokio Async MPSC, Safe Mutex, Iterators, Borrow Checker, Pattern Match
⚡ C++2010 Tasks100.0% (10/10)Concepts, Variadic Templates, Atomic Counter, ThreadSafeQueue, Binary Search
🤖 Coding Agent20 Tasks100.0% (20/20)Strict JSON Schema Tool Calls (Grep, Read, Write, RunCommand), Debug & Diff Patches
🐍 Python Algorithms50 Tasks84.0% (42/50)DP (LIS, Levenshtein), LCA, BST, Trie, Rotated BS, Matrix Search, Interval Insert
🐹 Go5 Tasks80.0% (4/5)Worker Pools, Channels, Struct JSON Marshal, Binary Search Slice
📊 Comprehensive Total100 Tasks91.0% Pass@1 (91/100)Real Multi-Language Sandbox Execution

🔬 Scientific Context: Slicing Integrity (≥98% Retention) & Lossless DoRA Calibration

[!IMPORTANT] Definitive Architectural Finding: Zero Structural Neuron Deficit
Through Layer-wise True Hidden States Profiling and Closed-Loop Attribution Tracing, we verified that $\ge 98.5%$ of core domain logic experts were preserved in the 160-expert physical subnet. The model is not physically missing any algorithmic reasoning capabilities.

🎯 91.0% Pass@1 Milestone & Proof of Zero Catastrophic Forgetting:

  1. Targeted Recovery via Lossless DoRA (+24.0% Accuracy Boost):

    • Following extraction, a 2-epoch DoRA calibration (452 steps, loss decreased from 0.515 $\to$ 0.095) was merged losslessly into the base BF16 weights (merge_and_unload), paired with robust thought tag (</think>) and indentation normalization.
    • This recovered 24 out of the 33 initial baseline edge cases (72.7% recovery rate), elevating overall Pass@1 from 67.0% $\to$ 91.0%.
    • Coding Agent (Diff, Debug, Tool Calling): 100% (20/20).
    • Systems Programming (Rust, C++, Go): 96.0% (24/25).
    • Python Algorithms: 84.0% (42/50).
  2. Mathematical Proof of Architectural Invariance (No Catastrophic Forgetting):

    • Microscopic Weight Modification: The DoRA adapter updated only 2,396,160 parameters (2.40M) out of ~40 Billion parameters—an intervention ratio of merely 0.0113%.
    • 99.9887% of base model weights remain completely untouched and original.
    • Layers 0–15 Frozen: The first 16 layers (syntax, low-level token representations) are 100% frozen.
    • MoE Experts & Router Gates Frozen: All FFN experts and routing gating networks were 100% frozen, guaranteeing zero router drift or cross-domain interference.
    • Weight Delta Norm Stability: Maximum Frobenius delta norm on the deepest attention layer (Layer 47 q_proj) was $|\Delta W|F = 2.3727$, corresponding to an average per-weight shift of only $\Delta w{\text{avg}} \approx 0.00042$.
  3. Remaining 9 Edge Cases:

    • Granular inspection confirms the remaining 9 test failures are exclusively surface-level API naming quirks (e.g., heapq.hepop vs heapq.heappop, Go .RRead() vs .RLock(), or case-normalization .lower()), with zero algorithmic reasoning deficit.

⚡ Quickstart Usage with Transformers

import os
import torch
from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "Jab1718/qwen3.8-flash-coder-85gb-bf16"

print("[*] Loading Tokenizer & Model...")
tokenizer = AutoTokenizer.from_pretrained(model_id, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16 if torch.cuda.is_bf16_supported() else torch.float16,
    device_map="auto",
    trust_remote_code=True
)

prompt = "Write a high-performance async message bus in Rust using tokio mpsc channels."
messages = [
    {"role": "system", "content": "You are an expert programming assistant."},
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = tokenizer(text, return_tensors="pt").to(model.device)

with torch.inference_mode():
    outputs = model.generate(
        **inputs,
        max_new_tokens=512,
        temperature=0.2,
        top_p=0.9
    )

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

🚀 High-Throughput Serving with vLLM

For maximum throughput with PagedAttention and Fused MoE Triton Kernels:

python3 -m vllm.entrypoints.openai.api_server \
  --model Jab1718/qwen3.8-flash-coder-85gb-bf16 \
  --served-model-name qwen3.8-flash-coder-85gb-bf16 \
  --port 8000 \
  --trust-remote-code \
  --tensor-parallel-size 4 \
  --gpu-memory-utilization 0.90 \
  --max-model-len 8192

📜 Toolkit & Slicing Methodology

To inspect the pruning methodology, reproduce the profiling, or slice other MoE foundation models, visit the official toolkit: 👉 https://github.com/Jab1718/Moe-slices

License

This model and toolkit are licensed under the Apache License, Version 2.0.

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen4ExpForCausalLM
Ревизия весов
7871395

0 моделей