/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
Qwen3.8-Flash-Next
Библиотека
gguf
Опубликована
26 авг 2026

Qwen3.8-Flash-Next-MTP-Q8_0-GGUF

Генерация текстаТекст → текст3 профессии

Qwen3.8-Flash-Next MTP draft head (Q8_0) — вспомогательная квантованная модель, разработанная на основе Qwen3.8-Flash-Next и опубликованная компанией Agention.

2 740скачиваний за 30 дней10лайковвеса обновлены5 окт 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

Базовую модель создала команда Qwen, а поддержка Qwen3.8-Flash-Next в llama.cpp связана с работой Daniel Han и участников проекта llama.cpp. Этот файл содержит только multi-token-prediction head и не является самостоятельной языковой моделью.

Модель предназначена для speculative decoding в llama.cpp: она используется как draft-компонент совместно с любой GGUF-версией Qwen3.8-Flash-Next, чтобы ускорять генерацию текста за счёт предварительного предсказания нескольких токенов. Размер файла в формате Q8_0 составляет около 3,85 ГиБ, а при использовании требуется примерно 3,9 ГиБ дополнительной памяти. В README не указаны отдельные сведения о языках, поддерживаемых модальностях или длине контекста; в примере запуска используется контекст 32 768 токенов.

Преимущество этого head заключается в совместном обучении с базовой моделью, благодаря чему он может эффективнее выполнять черновые предсказания, чем отдельная малая модель. В приведённых измерениях на Radeon 8060S скорость генерации выросла с 24,2 до 29,3 токена в секунду для UD-IQ4_XS и с 28,1 до 30,3 токена в секунду для ROCmFP4-FAST; коэффициент принятия составил 0,623 и 0,587 соответственно. Ограничение состоит в необходимости использовать специальную ветку llama.cpp с поддержкой MTP, поскольку стандартная upstream-версия не поддерживает MTP-only путь для этого компонента. Для применения также нужна совместимая GGUF-версия базовой модели. Лицензия — Qwen Community License 1.0.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3.8-Flash-Next MTP draft head (Q8_0)

The multi-token-prediction head from Qwen/Qwen3.8-Flash-Next, 3.85 GiB at Q8_0.

Qwen trains it jointly with the model, so it drafts better than a separate small model would. Use it as the draft for any Qwen3.8-Flash-Next GGUF.

Setup

Works with upstream llama.cpp b11386 or newer (Qwen4Exp MTP support landed in ggml-org/llama.cpp#29761). No fork needed.

The target must be a GGUF that upstream llama.cpp loads, for example unsloth's Q8_0 or UD quants.

Updated 2026-10-05: the file now uses upstream's tensor names for the MTP head (blk.48.nextn.hc_head_*) and marks the MTP layer as a sparse-attention layer in the metadata, as upstream expects. The weights are unchanged. Older downloads fail on upstream with tensor 'blk.48.nextn.hc_head_norm.weight' not found: please download the file again.

Run

./build/bin/llama-server \
  -m Qwen3.8-Flash-Next.gguf \
  -md Qwen3.8-Flash-Next-MTP-Q8_0.gguf \
  -ngl 99 --n-gpu-layers-draft 99 \
  --spec-type draft-mtp --spec-draft-n-max 3 -c 32768

With -hf, add --mtp and llama-server picks up a sibling mtp- file from the same repo.

Adds ~3.9 GiB on top of the target.

Measurements

Radeon 8060S, 250 tokens at temp 0, warmed up first (measured before the rename; the weights are unchanged).

targetno draftwith this headacceptance
UD-IQ4_XS24.2 t/s29.3 t/s0.623
ROCmFP4-FAST28.1 t/s30.3 t/s0.587

A 4-bit version of this head measured faster on both targets and is 1.6 GiB smaller.

Credits

Qwen3.8-Flash-Next support in llama.cpp is the work of Daniel Han (@danielhanchen), from ggml-org/llama.cpp#27742; the MTP graph is from #27739 (JJJYmmm). Base model by the Qwen team.

Quantized and published by Agention.

License

Qwen Community License 1.0, included as LICENSE.

Как запустить

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

GPU в ailist

llama.cpp

Нельзя запустить

GGUF-модель ждёт проверки: нужно выбрать файл кванта под доступные GPU.

Ревизия весов
640aed4

0 моделей