/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
Soofi-S-Instruct-Preview
Библиотека
transformers
Опубликована
28 июн 2026

Soofi-S-Instruct-Preview-FP8

Генерация текстаТекст → текст5 профессий

FP8-квантованная диалоговая модель Soofi на базе гибридной архитектуры Mamba-2/MoE для компактного обслуживания через vLLM.

48скачиваний за 30 дней3лайкавеса обновлены17 июл 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

Soofi-S-Instruct-Preview-FP8 — FP8-квантованная версия диалоговой модели Soofi-Project/Soofi-S-Instruct-Preview от Soofi-Project, предназначенная для более компактного обслуживания через vLLM. Это закрытый бета-чекпойнт и исследовательский артефакт; веса и поведение могут меняться между версиями. Модель основана на гибридной архитектуре Mamba-2 и Mixture-of-Experts: 23 слоя Mamba-2/MoE и 6 слоёв внимания, всего 30 млрд параметров и около 3,5 млрд активных на токен; в MoE-слоях используются 128 маршрутизируемых и один общий эксперт, из которых активны шесть. Квантирование FP8 E4M3 применяется к линейным слоям: веса используют поканальные масштабы, активации динамически квантуются для каждого токена. Чувствительные рекуррентные параметры Mamba-2 и маршрутизатор сохраняются в более высокой точности.

Модель предназначена для генерации текста в диалоге; карточка указывает поддержку английского, немецкого, испанского, французского и итальянского языков. FP8-веса занимают примерно вдвое меньше памяти, чем BF16-чекпойнт, что упрощает развёртывание, однако для запуска требуется версия vLLM с поддержкой пользовательской архитектуры SOOFI-S и загрузка с trust_remote_code. Модель находится в закрытой бете для отобранных партнёров и не является открытым релизом; указанная лицензия — other, а будущий открытый релиз с более разрешительными условиями пока анонсирован как план.

Сценарии применения

  • генерация ответов в диалоговом ассистенте
  • развёртывание чат-модели с меньшим расходом памяти
  • обслуживание англоязычных текстовых запросов
  • генерация ответов на немецком, испанском, французском и итальянском языках

Ограничения

Это закрытый бета-чекпойнт, поведение которого может меняться; веса не являются открытым релизом. Для запуска требуется совместимая версия vLLM с поддержкой архитектуры SOOFI-S и trust_remote_code.

Для каких профессий подходит5

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

⚠️ Closed Beta Release Disclaimer

[!WARNING] This model is a beta preview and a research artifact. It is not an open release.

This checkpoint is an intermediate result, currently in a closed beta with already selected partners to work on an improved version. It is under development and subject to change based on partner feedback. Outputs, weights, and behavior may differ between checkpoints.

The final model will be released openly under a permissive license, without gated access. We will share access details as soon as it is ready.

Lineage: This checkpoint is based on Soofi-Project/Soofi-S-Base. Please refer to the base model card for architectural and training details.


Soofi-S-Instruct-Preview-FP8

FP8 (W8A8 dynamic) quantization of Soofi-Project/Soofi-S-Instruct-Preview for space-efficient serving with vLLM.

Quantized from bf16 safetensors with llm-compressor to the compressed-tensors FP8 format, which vLLM loads natively at roughly half the weight memory of the bf16 checkpoint.

Architecture support: SOOFI-S is a custom hybrid Mamba-2/MoE model and ships with its own modeling code (trust_remote_code). FP8 serving requires a vLLM build that understands this architecture — verify against the actual checkpoint before relying on this artifact.

Quantization details

PropertyValue
SchemeFP8_DYNAMIC (W8A8)
WeightsFP8 E4M3, per-channel static scales
ActivationsFP8 E4M3, per-token dynamic (quantized at runtime)
Calibrationnone (data-free)
Kept in full precisionlm_head, Mamba-2 in_proj/out_proj

Why dynamic / data-free? Dynamic per-token activation scales need no calibration dataset and are robust for MoE, where a single static activation scale across experts is a poor fit. The MoE router is not an nn.Linear, so it stays full precision automatically; the Mamba-2 in_proj/out_proj (the recurrent SSM path) are kept bf16 as the most quantization-sensitive layers.

Size scales with the total 30B parameters (not the 3.5B active), so the FP8 weights are ~half the bf16 size minus the few full-precision tensors above.

Usage with vLLM

# OpenAI-compatible server
vllm serve Soofi-Project/Soofi-S-Instruct-Preview-FP8 --trust-remote-code

# query it
curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"model": "Soofi-Project/Soofi-S-Instruct-Preview-FP8",
       "messages": [{"role": "user", "content": "Explain AI sovereignty in one sentence."}]}'
from vllm import LLM, SamplingParams

llm = LLM(model="Soofi-Project/Soofi-S-Instruct-Preview-FP8", trust_remote_code=True)
out = llm.chat([{"role": "user", "content": "Explain AI sovereignty in one sentence."}],
               SamplingParams(temperature=0.6, top_p=0.95))
print(out[0].outputs[0].text)

--trust-remote-code is required: the custom hybrid Mamba-2/MoE modeling code travels with the checkpoint. FP8 needs a GPU with hardware FP8 support (NVIDIA Hopper/Ada/Blackwell — e.g. H100, L40S, RTX 4090) for the fast path; on older GPUs vLLM falls back to a slower Marlin kernel.

The chat template is applied by vLLM's chat endpoint, so the model's native identity and tool-calling format work out of the box — no manual template.

Architecture note

This is a hybrid Mixture-of-Experts model designed from scratch: 23 Mamba-2/MoE layers + 6 attention layers, 128 routing experts + 1 shared expert per MoE layer, 6 experts active per token (30B total / 3.5B active). FP8 is applied to the Linear layers (attention/MoE expert projections); the SSM (Mamba-2) recurrent parameters and the router stay in higher precision. A recent version of vLLM is recommended.

Related models

License & provenance

Released under a custom license ("Other"), following the base model Soofi-Project/Soofi-S-Instruct-Preview. TODO: mirror the full license text once the base model card defines it.

Как запустить

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

GPU в ailist

vLLM

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
e063b72

0 моделей