/ Модель

Характеристики

Контекст
131 072 токена
Параметры
6,4 млрд
Размер весов
67,2 ГБ
Лицензия
MIT
Архитектура
bailing_hybrid · MoE
Базовая модель
Ling-2.6-flash
Библиотека
mlx
Опубликована
5 мая 2026

Ling-2.6-flash-MXFP4

Генерация текстаТекст → текст15 профессий

Квантизированная в MXFP4 гибридная MoE-модель Ling-2.6-flash для диалоговой генерации текста, рассуждений и вызова инструментов.

164скачиваний за 30 дней1лайквеса обновлены5 мая 2026

Бенчмарки

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

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

Ling-2.6-flash-MXFP4 — квантизированная версия языковой модели Ling-2.6-flash, подготовленная Jinho Jang из OsaurusAI на базе модели InclusionAI. Это гибридная MoE-модель с архитектурой Bailing-V2.5: в ней 103 млрд параметров, из которых активно около 8 млрд, 256 экспертов с выбором восьми на токен, 32 слоя с сочетанием MLA и Lightning Linear Attention, а также голова Multi-Token Prediction. Контекст составляет 131 072 токена.

Модель предназначена для генерации текста, диалога, рассуждений и вызова инструментов; её можно применять в многошаговых агентных сценариях. Все основные веса представлены в 4-битном формате MXFP4 с группами по 32 значения, а нормализации, роутеры, смещения экспертов и параметры наклона сохранены в FP16 или FP32. Файлы общим размером около 63 ГБ рассчитаны на запуск через MLX на компьютерах Apple Silicon с достаточным объёмом памяти.

Квантизация уменьшает объём модели относительно исходной версии в BF16 и позволяет использовать штатную загрузку MLX без отдельной среды TurboQuant. При этом заявленный сценарий запуска требует мощного Apple Silicon и не гарантирует совместимость с другими платформами. Модель распространяется по лицензии MIT.

Сценарии применения

  • ведение диалога с длинным контекстом
  • генерация развёрнутых ответов и рассуждений
  • вызов инструментов в агентных сценариях
  • создание многошаговых помощников на Apple Silicon

Ограничения

Для запуска требуется примерно 63 ГБ файлов модели и мощный компьютер Apple Silicon с большим объёмом памяти; README указывает конфигурации от M3 Max с 96 ГБ. Квантизация до 4 бит может повлиять на качество относительно исходных весов BF16.

Для каких профессий подходит15

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

Ling-2.6-flash-MXFP4

~103B-A8B hybrid MoE — 63 GB on disk (down from the 200 GB bf16 source) — stock 4-bit affine quantization on inclusionAI's Bailing-V2.5 hybrid architecture. Loads via mlx_lm.load() with the bailing_hybrid model class — no TurboQuant runtime, no sidecar required.

  • Source: inclusionAI/Ling-2.6-flash (Ant Group's Bailing-V2.5 hybrid: 32 layers MLA + Lightning-Linear-Attention, 256 experts top-8, MTP head, 131K context)
  • Quantization: MXFP4 — every weight (routed experts, attention, shared experts, dense MLP, embed, lm_head) at 4-bit affine group_size=32. Norms, router gates, expert biases, and slopes stay fp16/fp32 passthrough.
  • Bundle size: 63 GB on-disk across 51 shards
  • Runs on: M3 Max 96 GB+ / M4 Max 128 GB / M5 Max 128 GB / Mac Studio

Why two variants?

JANGTQ2MXFP4
Routed experts2-bit MXTQ codebook (Hadamard + Lloyd-Max)4-bit affine
Attention / shared / dense8-bit affine4-bit affine
Bundle size30 GB63 GB
Qualitytighter (8-bit attention)uniform 4-bit
Loaderjang_tools.load_jangtq (TurboQuant kernel)stock mlx_lm.load()
Sidecarrequirednot needed
Min RAM64 GB96 GB

JANGTQ2 trades cheap-but-slow MXTQ codec on the routed experts for a tighter overall bit budget. MXFP4 is the simpler "just-works-with-stock-MLX" option for users who don't want the TurboQuant runtime in their stack.

Architecture (bailing_hybrid)

Hybrid attention — every 8th layer is full softmax MLA, the other 28 of 32 are Lightning-Linear-Attention. Plus a Multi-Token Prediction head.

Layer blockCountAttentionMLP
Layer 01Linear (GLA)Dense MLP (intermediate=9216)
Layers 1–6, 8–14, 16–22, 24–3027Linear (GLA)MoE (256+1)
Layers 7, 15, 23, 314MLA (full softmax)MoE (256+1)
MTP head (32)1MLAMoE (256+1)

See the JANGTQ variant card for the deeper architecture writeup.

Loading (Python)

pip install mlx-lm jang-tools
from mlx_lm import load, generate
model, tokenizer = load("OsaurusAI/Ling-2.6-flash-MXFP4")

Stock mlx_lm.load() works once mlx_lm/models/bailing_hybrid.py is present (shipped with jang-tools >= TBD). The bundle's configuration_bailing_moe_v2_5.py and modeling_bailing_moe_v2_5.py provide HF compatibility for tooling that goes through transformers.

Reasoning + tools

Default is detailed thinking off. To enable:

messages = [
    {"role": "system", "content": "detailed thinking on"},
    {"role": "user",   "content": "..."},
]

The model emits <think>...</think> reasoning blocks before answers when thinking is on. DeepSeek-style tool-call format.

Credits

  • Quantization + MLX runtime: Jinho Jang (eric@osaurus.ai)
  • Base model: inclusionAI — Ant Group's Bailing team
  • Architecture references: Lightning-Attention-2 (arXiv:2401.04658), DeepSeek-V2/V3 MLA, MTP from DeepSeek-V3
  • Osaurus: osaurus.ai — Apple-Silicon-first inference for open-weight LLMs.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
BailingMoeV2_5ForCausalLM
Ревизия весов
af3facd

0 моделей