/ Модель

Характеристики

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

Qwen3.8-Flash-Next-Quark-MXFP4-PLEFP8

Изображение и текст → текст11 профессий

amd/Qwen3.8-Flash-Next-Quark-MXFP4-PLEFP8 — квантизированный чекпойнт модели Qwen3.8-Flash-Next, подготовленный Advanced Micro Devices (AMD) с использованием AMD-Quark.

1 877скачиваний за 30 дней2лайкавеса обновлены1 окт 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 по текстовым, графическим и видео­входам; заявленный язык — английский. Архитектура указана как Qwen4ExpForConditionalGeneration, а инференс реализован через SGLang.

Основная особенность чекпойнта — квантизация MoE-экспертов, включая shared expert, в OCP MXFP4 для весов и динамических активаций. Таблица PLE-эмбеддингов квантизирована в Per-Tensor FP8, остальные ключевые компоненты, включая attention, Mamba-style linear-attention projections, vision tower, MTP head, router gates и lm_head, сохранены в bfloat16. Модель оптимизирована для AMD Instinct MI350X и MI355X, использует ROCm 7.2.4, PyTorch 2.11.0+rocm7.2, Transformers 5.12.1 и Linux.

Чекпойнт рассчитан на ресурсоэффективное развертывание MoE-модели на совместимом оборудовании AMD. На GSM8K в режиме 5-shot он показал результат 96,44 против 96,97 у исходной Qwen3.8-Flash-Next, что соответствует восстановлению 99,5% исходной точности. Ограничения включают узкую аппаратно-программную специализацию, зависимость от конкретной версии SGLang и отсутствие в README сведений о размере модели, длине контекста и более широком наборе оценок.

Лицензия обозначена как other; для модификаций указано авторство Advanced Micro Devices, Inc. за 2026 год. Полные условия приведены в файле LICENSE репозитория модели.

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: 7.2.4
  • PyTorch: 2.11.0+rocm7.2
  • Transformers: 5.12.1
  • Operating System(s): Linux
  • Inference Engine: SGLang
  • Model Optimizer: AMD-Quark (v0.12 with Patch for PLE Quantization)
    • Quantized layers: All MoE experts in the language model, including the shared expert. PLE embedding table is quantized to Per-Tensor FP8. Attention is kept in bf16.
    • Weight quantization:
      • MOE OCP MXFP4 for MoE experts, Per-Tensor FP8 for PLE embedding table, Static
    • Activation quantization:
      • MOE OCP MXFP4 for MoE experts, Dynamic

This checkpoint quantizes the routed and shared MoE experts to OCP MXFP4, PLE embedding table is quantized to Per-Tensor FP8, everything else is kept in bf16, including the full self-attention and the (Mamba-style) linear-attention projections, the MTP head, router gates, shared-expert gate, 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, PLE embedding table is quantized to Per-Tensor FP8.

Quantization script:

from quark.torch import LLMTemplate, ModelQuantizer
from quark.torch.quantization.config.type import ScaleType

SRC = "Qwen/Qwen3.8-Flash-Next"
OUTPUT = "amd/Qwen3.8-Flash-Next-Quark-MXFP4-PLEFP8"
NGRAM = "*ple.ple_embedding.ngram_embedding*"
EXCLUDE = [
    "lm_head", "model.visual.*", "mtp.*",
    "*mlp.gate", "*shared_expert_gate*",
    "*.linear_attn.*", "*.self_attn.*", "*hyper_connection*",
    "*ple.conv1d", "*ple.key_proj", "*ple.value_proj",
    "*ple.norm_conv", "*ple.norm_key", "*ple.norm_query",
]

template = LLMTemplate.get("qwen4_exp")
quant_config = template.get_config(
    scheme="mxfp4",
    exclude_layers=EXCLUDE,
    layer_config={NGRAM: "fp8"},
    weight_scale_groups=["*ple.ple_embedding.ngram_embedding.shard_*.weight"],
)
quant_config.layer_quant_config[NGRAM].weight.scale_type = ScaleType.bfloat16

ModelQuantizer(quant_config).direct_quantize_checkpoint(
    pretrained_model_path=SRC,
    save_path=OUTPUT,
    weight_converters=template.f2f_weight_converters,
    device="cuda",
)

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

Deployment and Evaluation

Use with SGLang

This checkpoint is validated for native MXFP4 deployment on AMD Instinct MI350X and MI355X GPUs. The accuracy measurements in the below section were collected on MI355X with the following environemnt setup:

Accuracy

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

BenchmarkQwen/Qwen3.8-Flash-Nextamd/Qwen3.8-Flash-Next-Quark-MXFP4-PLEFP8 (this model)Recovery
gsm8k (flexible-extract, 5-shot)96.9796.4499.5%

Reproduction

The GSM8K results were obtained using the SGLang framework, based on the Docker image rocm/sgl-dev:v0.5.19-rocm724-mi35x-20260916, with SGLang source code from this PR installed from source inside the container, and lm-eval installed from source.

  1. Serve the model:
sglang serve --model-path amd/Qwen3.8-Flash-Next-Quark-MXFP4-PLEFP8 \
    --tp 4 \
    --attention-backend triton
  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-PLEFP8,base_url=http://localhost:30000/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 --gen_kwargs '{"chat_template_kwargs":{"enable_thinking":false}}'

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
1ad36fa

0 моделей