/ Модель

Характеристики

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

Qwen3-Coder-Next-NVFP4

Генерация текстаТекст → текст7 профессий

RedHatAI/Qwen3-Coder-Next-NVFP4 — языковая causal-модель для генерации текста, разработанная Red Hat на основе Qwen/Qwen3-Coder-Next от Alibaba Cloud.

37 831скачиваний за 30 дней37лайковвеса обновлены28 апр 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 принимает текст и генерирует текст; по назначению относится к моделям для задач программирования и работы с кодом. Архитектура указана как Qwen3NextForCausalLM, поддерживается интеграция с vLLM и вызов инструментов через совместимый с OpenAI API интерфейс.

Модель представляет собой квантизированную версию исходной Qwen3-Coder-Next: веса и активации линейных операторов в блоках трансформера переведены в формат FP4. Это сокращает число битов на параметр с 16 до 4, а заявленный объём хранения на диске и требования к памяти GPU — примерно на 75%. Размер модели, максимальная длина контекста и набор поддерживаемых языков в представленном README не указаны. Модель валидирована с vLLM 0.14.1, RHAIIS 3.4 EA1 и RHOAI 3.4 EA1; для развёртывания в примере используется tensor parallelism на двух устройствах.

Ключевое преимущество — существенное снижение требований к дисковой и GPU-памяти по сравнению с неквантизированной версией. При этом README не содержит результатов бенчмарков и количественной оценки влияния FP4-квантизации на качество, поэтому точные сильные стороны и возможные потери качества нельзя подтвердить по имеющимся данным. Модель распространяется по лицензии Apache 2.0.

Для каких профессий подходит7

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

Model Overview

  • Model Architecture: Qwen3NextForCausalLM
    • Input: Text
    • Output: Text
  • Model Optimizations:
    • Weight quantization: FP4
    • Activation quantization: FP4
  • Release Date:
  • Version: 1.0
  • Model Developers:: Red Hat
  • ModelCar Storage URI: oci://registry.redhat.io/rhai/modelcar-qwen3-coder-next-nvfp4:3.0
  • Validated on vLLM: 0.14.1
  • Validated on RHAIIS: 3.4 EA1
  • Validated on RHOAI: 3.4 EA1

Quantized version of Qwen/Qwen3-Coder-Next.

Model Optimizations

This model was obtained by quantizing the weights and activations of Qwen/Qwen3-Coder-Next to FP4 data type. This optimization reduces the number of bits per parameter from 16 to 4, reducing the disk size and GPU memory requirements by approximately 75%. Only the weights and activations of the linear operators within transformers blocks of the language model are quantized.

Deployment

Use with vLLM

  1. Initialize vLLM server:
vllm serve inference-optimization/Qwen3-Coder-Next-NVFP4 --port 8000 --tensor-parallel-size 2 --enable-auto-tool-choice --tool-call-parser qwen3_coder
 
  1. Send requests to the server:
# Your tool implementation
def square_the_number(num: float) -> dict:
    return num ** 2

# Define Tools
tools=[
    {
        "type":"function",
        "function":{
            "name": "square_the_number",
            "description": "output the square of the number.",
            "parameters": {
                "type": "object",
                "required": ["input_num"],
                "properties": {
                    'input_num': {
                        'type': 'number', 
                        'description': 'input_num is a number that will be squared'
                        }
                },
            }
        }
    }
]

from openai import OpenAI
# Define LLM
client = OpenAI(
    # Use a custom endpoint compatible with OpenAI API
    base_url='http://localhost:8000/v1',  # api_base
    api_key="EMPTY"
)
 
messages = [{'role': 'user', 'content': 'square the number 1024'}]

completion = client.chat.completions.create(
    messages=messages,
    model="RedHatAI/Qwen3-Coder-Next-NVFP4",
    max_tokens=65536,
    tools=tools,
)

print(completion.choices[0])

Creation

This model was quantized using the llm-compressor library as shown below.

from transformers import AutoModelForCausalLM, AutoTokenizer
from datasets import load_dataset

from llmcompressor import oneshot
from llmcompressor.modifiers.quantization import QuantizationModifier
from compressed_tensors.offload import dispatch_model

MODEL_ID = "Qwen/Qwen3-Coder-Next"

# Load model.
model = AutoModelForCausalLM.from_pretrained(
    MODEL_ID,
    torch_dtype="auto",
    low_cpu_mem_usage=True,
    trust_remote_code=True,
)
tokenizer = AutoTokenizer.from_pretrained(MODEL_ID, trust_remote_code=True)

DATASET_ID = "HuggingFaceH4/ultrachat_200k"
DATASET_SPLIT = "train_sft"

# Select number of samples
NUM_CALIBRATION_SAMPLES = 20
MAX_SEQUENCE_LENGTH = 2048

# Load dataset and preprocess.
ds = load_dataset(DATASET_ID, split=f"{DATASET_SPLIT}[:{NUM_CALIBRATION_SAMPLES}]")
ds = ds.shuffle(seed=42)


def preprocess(example):
    return {
        "text": tokenizer.apply_chat_template(
            example["messages"],
            tokenize=False,
        )
    }


ds = ds.map(preprocess)


# Tokenize inputs.
def tokenize(sample):
    return tokenizer(
        sample["text"],
        padding=False,
        max_length=MAX_SEQUENCE_LENGTH,
        truncation=True,
        add_special_tokens=False,
    )


ds = ds.map(tokenize, remove_columns=ds.column_names)



recipe = QuantizationModifier(
    targets="Linear",
    scheme="NVFP4",
    weight_observer="mse",
    ignore= ['re:.*lm_head', 're:.*mlp.gate$', 're:.*mlp.shared_expert_gate$', 're:.*linear_attn.*'],
)


oneshot(
    model=model,
    dataset=ds,
    recipe=recipe,
    max_seq_length=MAX_SEQUENCE_LENGTH,
    num_calibration_samples=NUM_CALIBRATION_SAMPLES,
    moe_calibrate_all_experts=True,
)


print("\n\n")
print("========== SAMPLE GENERATION ==============")

dispatch_model(model)

input_ids = tokenizer("Hello my name is", return_tensors="pt").input_ids.to(
    model.device
)
output = model.generate(input_ids, max_new_tokens=100)
print(tokenizer.decode(output[0]))
print("==========================================\n\n")


# Save to disk in compressed-tensors format.
SAVE_DIR = MODEL_ID.rstrip("/").split("/")[-1] + "-NVFP4"
model.save_pretrained(SAVE_DIR, save_compressed=True)
tokenizer.save_pretrained(SAVE_DIR)

Evaluation

The model was evaluated on the OpenLLM leaderboard task, using lm-evaluation-harness. vLLM was used for all evaluations.

**Coding Benchmarks **

SWE-Bench

python -m swebench.harness.run_evaluation \
  --dataset_name princeton-nlp/SWE-bench_Lite \
  --predictions_path preds.json \
  --run_id validate-preds

Accuracy

CategoryMetricQwen3-Coder-NextQwen3-Coder-Next-NVFP4Recovery (%)
SWE-BenchLite49.3352105.4

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
27a8f16

0 моделей