/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Своя лицензия
Архитектура
qwen4_exp · dense
Базовая модель
Qwen3.8-Flash-Next
Библиотека
transformers
Опубликована
26 авг 2026

Qwen3.8-Flash-Next-Quark-MXFP4

Изображение и текст → текст11 профессий

amd/Qwen3.8-Flash-Next-Quark-MXFP4 — оптимизированная и квантованная версия Qwen3.8-Flash-Next, подготовленная Advanced Micro Devices (AMD) с использованием AMD-Quark.

12 532скачиваний за 30 дней4лайкавеса обновлены3 сен 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 «Изображение → 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 предназначена для генерации текста на основе текстовых, изображений и видео входных данных и работает через Transformers и vLLM. В карточке указана поддержка английского языка.

Модель использует архитектуру Qwen4ExpForConditionalGeneration с MoE-компонентами. Все веса и активации экспертов MoE, включая shared expert, квантованы в OCP MXFP4; механизмы внимания, vision tower, роутеры и другие перечисленные компоненты сохранены в формате bfloat16. Модель рассчитана на аппаратные платформы AMD MI350 и MI355, Linux, ROCm 7.2.3 и PyTorch 2.12.0. Размер модели и объём контекстного окна в README не указаны.

Ключевое преимущество — снижение требований к вычислениям и памяти при сохранении близкой к исходной точности: на GSM8K модель получила 96,5 против 96,8 у базовой версии, что соответствует восстановлению 99,7% результата. Ограничения включают зависимость от специализированного оборудования AMD и указанного программного стека, а также отсутствие данных о качестве на других задачах и языках. Лицензия обозначена как other; для модификаций указано авторское право Advanced Micro Devices, Inc. за 2026 год, подробные условия приведены в файле LICENSE.

Для каких профессий подходит11

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: Qwen4ExpForConditionalGeneration
    • Input: Text, Image, Video
    • Output: Text
  • Supported Hardware Microarchitecture: AMD MI350 / MI355
  • ROCm: 7.2.3
  • PyTorch: 2.12.0+git6bbd260
  • Transformers: 5.16.1
  • Operating System(s): Linux
  • Inference Engine: vLLM
  • Model Optimizer: AMD-Quark (v0.12)
    • Quantized layers: All MoE experts in the language model, including the shared expert. Attention is kept in bf16.
    • Weight quantization:
      • MOE OCP MXFP4, Static
    • Activation quantization:
      • MOE OCP MXFP4, Dynamic

This checkpoint quantizes the routed and shared MoE experts to OCP MXFP4 and keeps everything else in bf16, including the full self-attention and the (Mamba-style) linear-attention projections, the MTP head, router gates, shared-expert gate, PLE n-gram path, vision tower, hyper-connection mixers, and lm_head.

Model Quantization

The model was quantized from Qwen3.8-Flash-Next using AMD-Quark. MoE expert weights and activations are quantized to OCP MXFP4.

Quantization script:

from quark.torch import LLMTemplate, ModelQuantizer
from quark.torch.quantization.weight_convert import SplitFusedExperts, WeightConverter

EXCLUDE = [
    "lm_head", "*mlp.gate", "*shared_expert_gate", "mtp.*", "model.visual.*",
    "*hyper_connection*", "*ple.*", "*linear_attn.*", "*self_attn.*",
]

template = LLMTemplate(
    model_type="qwen4_exp",
    kv_layers_name=["*self_attn.k_proj", "*self_attn.v_proj"],
    q_layer_name="*self_attn.q_proj",
    exclude_layers_name=EXCLUDE,
    f2f_weight_converters=[
        WeightConverter("gate_up_proj", ["gate_proj.weight", "up_proj.weight"],
                        operations=[SplitFusedExperts(split_axis=0)]),
        WeightConverter("down_proj", ["down_proj.weight"],
                        operations=[SplitFusedExperts(split_axis=0)]),
    ],
)
LLMTemplate.register_template(template)

quant_config = template.get_config(scheme="mxfp4", exclude_layers=EXCLUDE)

quantizer = ModelQuantizer(quant_config)
quantizer.direct_quantize_checkpoint(
    pretrained_model_path="Qwen/Qwen3.8-Flash-Next",
    save_path=OUTPUT_DIR,
    weight_converters=template.f2f_weight_converters,
    device="cuda",
)

For further details or issues, please refer to the AMD-Quark documentation.

Evaluation

The model was evaluated on the GSM8K benchmark using the vLLM framework with lm-evaluation-harness.

Accuracy

BenchmarkQwen/Qwen3.8-Flash-Nextamd/Qwen3.8-Flash-Next-Quark-MXFP4 (this model)Recovery
gsm8k (flexible-extract, 5-shot)96.896.599.7%

Reproduction

The GSM8K results were obtained using the vLLM framework, based on the Docker image vllm/vllm-openai-rocm:nightly-73029d42441321b631779db3475031f5ec26dd6c, with vLLM is installed inside the container, and lm-eval installed from source.

  1. Serve the model:
VLLM_ROCM_USE_AITER=1 VLLM_ROCM_USE_AITER_FUSION_SHARED_EXPERTS=1
  vllm serve amd/Qwen3.8-Flash-Next-Quark-MXFP4 \
  --tensor-parallel-size 2 \
  --default-chat-template-kwargs '{"enable_thinking": false}' \
  --trust-remote-code  \
  --port <port>

  1. Run lm-evaluation-harness against the running server (chat-completions endpoint, chat template applied, 5-shot, greedy):
lm_eval --model local-chat-completions \
    --model_args "model=amd/Qwen3.8-Flash-Next-Quark-MXFP4,base_url=http://localhost:<port>/v1/chat/completions,num_concurrent=32,timeout=1200,max_retries=3,tokenized_requests=False,max_gen_toks=2048" \
    --tasks gsm8k --num_fewshot 5 --apply_chat_template

License

Modifications Copyright(c) 2026 Advanced Micro Devices, Inc. All rights reserved.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen4ExpForConditionalGeneration
Ревизия весов
b2091c3

0 моделей