/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Своя лицензия
Архитектура
qwen4_exp · dense
Базовая модель
Qwen3.8-Flash-Next
Библиотека
mlx
Опубликована
14 сен 2026

Qwen3.8-Flash-Next-ANE

Генерация текстаТекст → текст13 профессий

Гибридная сборка Qwen3.8-Flash-Next для локальной генерации текста и диалогов на Apple Silicon с использованием ANE и MLX.

1 114скачиваний за 30 дней0лайковвеса обновлены17 сен 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

Qwen3.8-Flash-Next-ANE — пакет гибридного инференса модели Qwen3.8-Flash-Next от True2456 для компьютеров Apple Silicon. Модель дообучена на базе Qwen/Qwen3.8-Flash-Next; в README описаны 36 слоёв Gated DeltaNet и 12 слоёв Qwen Sparse Attention, исполняемые на Apple Neural Engine, и разрежённые MoE-эксперты, работающие через MLX на GPU. Веса языковой модели хранятся в 4-битном формате, а для ускорения декодирования применяются спекулятивная генерация и таблицы n-грамм.

Пакет предназначен для диалогов, генерации текста и агентных сценариев, включая работу через OpenAI-совместимый API и интерфейс вызова инструментов. Автор сообщает о тестировании на Mac с M5 Max и 96 или 128 ГБ объединённой памяти; README приводит результаты производительности и тестов качества для этой конфигурации. Это не полностью исполняемая на ANE модель: часть вычислений выполняется на GPU и CPU. Лицензия указана как other, поэтому условия использования следует проверять на странице репозитория.

Сценарии применения

  • локальный чат на Mac с Apple Silicon
  • генерация текста и ответов в диалоге
  • запуск агентных задач с вызовом инструментов
  • подключение модели к OpenAI-совместимому API

Ограничения

Для запуска требуется Mac на Apple Silicon с 96 или 128 ГБ объединённой памяти и программное обеспечение qwen-ane; часть модели работает на GPU и CPU, а не только на ANE. Указанные характеристики производительности и качества получены на M5 Max, а лицензия помечена как other.

Для каких профессий подходит13

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-Next-ANE

Hybrid inference package for Qwen3.8-Flash-Next on Apple Silicon, designed for use with qwen-ane.

What it is

Flash-Next is a hybrid silicon deployment:

  • Attention on Apple Neural Engine (ANE): 36 Gated DeltaNet (linear recurrence) layers and 12 Qwen Sparse Attention layers run on the Neural Engine via precompiled MIL graphs, drawing approximately 1.1 W.
  • MoE Experts on Metal GPU: The 512-expert routed MoE bank (68 GB) and output projections remain resident in Unified Memory and execute via MLX, drawing approximately 9 W.
  • Speculative Drafting: 4-slot MTP speculative drafting and PLE n-gram tables deliver high decode throughput.

For a 100% pure on-chip ANE model (0% GPU), see True2456/Qwen3.8-27B-ANE.

Package layout

PathSizeRole
ane-h17/~5.6 GBPrecompiled ANE MIL graphs and weight blobs for 36 GDN + 12 QSA layers
model.safetensors76.7 GB4-bit language weights (experts 4-bit gs64; embeddings/mixers 8-bit)
ngram/~95 MBBF16 PLE n-gram table shards
mtp/~1.4 GB4-bit MTP drafter weights
model-indexer.safetensors42.6 MBQSA indexer weights
tokenizer / config—config.json, tokenizer.json, chat_template.jinja, and related metadata

Requirements

  • Apple Silicon Mac with 96 GB or 128 GB Unified Memory (tested on M5 Max, macOS 27)
  • Python 3.10+
  • qwen-ane

Install and run

1. Install qwen-ane

git clone https://github.com/True2456/qwen-ane.git
cd qwen-ane
pip install -e ".[mlx]"

2. Download weights

Download automatically into ~/.qwenANE/models/flash-next:

qwen-ane pull flash-next

Or using the Hugging Face CLI:

hf download True2456/Qwen3.8-Flash-Next-ANE --local-dir ~/.qwenANE/models/flash-next

3. Interactive chat

qwen-ane chat -model flash-next -ctx 32768

4. OpenAI-compatible API server

qwen-ane serve -model flash-next -port 2457 -ctx 32768

Point any OpenAI-compatible client, web UI, or coding agent to http://127.0.0.1:2457/v1.

For Pi the coding agent:

pi -e extensions/flashnext-pi.ts --provider flashnext --model Qwen3.8-Flash-Next

Measured performance (Apple M5 Max)

Cold prefix (reused=0), serve context 33,792, FLASHNEXT_SPEC=4, FLASHNEXT_PREFILL_MIL_K=32, FLASHNEXT_MOE=mlxresident, FLASHNEXT_HEAD=mlx. Power measured via powermetrics:

Prompt TokensCompletionTTFTPrefill SpeedDecode SpeedActive Package Power
4,09612849.3 s80.6 tok/s15.1 tok/s~17.9 W (1.1 W ANE + 9.0 W GPU + 7.8 W CPU)
8,192128100.5 s79.2 tok/s14.8 tok/s~17.9 W (1.1 W ANE + 9.1 W GPU + 7.8 W CPU)
16,384128201.7 s79.1 tok/s15.7 tok/s~17.7 W (1.1 W ANE + 9.5 W GPU + 7.1 W CPU)
32,768128399.2 s79.9 tok/s15.8 tok/s~19.4 W (1.1 W ANE + 10.5 W GPU + 7.8 W CPU)
  • Prefill: Sustained ~80 tok/s linearly up to 32k context.
  • Decode: 15–16 tok/s with 4-slot MTP speculative decoding (or 4.5 tok/s single-step).
  • Prefix cache: Multi-turn agent follow-ups with prefix hits evaluate in ~0.8 s.

Quality verification

Measured on M5 Max against unmodified MLX 4-bit reference on identical prompts:

BenchmarkSettingANE + MLX HybridReference MLX 4-bit GPU
MMLU5-shot, likelihood of A/B/C/D (600 questions)87.33% (524/600)86.33% (518/600)
GSM8K8-shot greedy, last number (200 test questions)96.50% (193/200)—

License

Qwen Community License 1.0 (see LICENSE). Inference engine: True2456/qwen-ane.

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
Qwen4ExpForConditionalGeneration
Ревизия весов
3781188

0 моделей