/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
Qwen3.8-2.4T-A95B
Библиотека
llama.cpp
Опубликована
14 авг 2026

Qwen3.8-2.4T-A95B-FlashMoE-UD-Q1_0

Генерация текстаТекст → текст5 профессий

Крупный GGUF-пакет Qwen3.8-2.4T-A95B с SSD-backed Flash-MoE предназначен для генерации текста и диалогов в совместимом рантайме.

456скачиваний за 30 дней5лайковвеса обновлены14 авг 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

Репозиторий anemll содержит SSD-backed Flash-MoE-пакет для модели Qwen3.8-2.4T-A95B, экспортированный из GGUF-квантизации Unsloth UD-Q1_0. Это не обычный самостоятельный GGUF: плотные и общие тензоры находятся в model-dense.gguf, а тензоры маршрутизируемых экспертов разложены по слоям в sidecar и загружаются по запросу в резидентный слот-банк. Архитектура — qwen35moe, 93 блока трансформера, ширина эмбеддинга 8192; формат — GGUF.

Пакет предназначен для генерации текста и диалогового вывода с Flash-MoE-сборкой ветки Qwen3.8 проекта anemll-flash-llama.cpp. Для запуска требуется совместимый рантайм; обычная сборка llama.cpp не поддерживает раскладку пакета и тип квантования IQ1_XXXS. Репозиторий занимает около 397 ГБ, а чтение sidecar с медленного или сетевого хранилища снижает скорость декодирования.

Лицензия указана как other; README не уточняет её условия. Это производный квантованный экспорт базовой модели Qwen/Qwen3.8-2.4T-A95B; отдельные сведения о языках и контекстном окне в предоставленных данных отсутствуют.

Сценарии применения

  • генерация ответов в диалоговом приложении
  • развёртывание крупной MoE-модели на Apple Silicon с SSD-хранилищем
  • локальный запуск текстовой модели через совместимую сборку llama.cpp
  • инференс модели с подгрузкой экспертных тензоров по запросу

Ограничения

Не запускается в стандартной сборке llama.cpp: требуется Flash-MoE-ветка anemll-flash-llama.cpp с поддержкой раскладки пакета и IQ1_XXXS. Репозиторий занимает около 397 ГБ, а медленное или сетевое хранилище снижает скорость декодирования.

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

Qwen3.8-2.4T-A95B Flash-MoE UD-Q1_0

SSD-backed Flash-MoE package for Qwen3.8-2.4T-A95B, exported from the Unsloth UD-Q1_0 GGUF.

This is not a conventional standalone GGUF. The non-routed and shared tensors are stored in model-dense.gguf; routed expert tensors are stored separately in a layer-major sidecar/ and loaded into a per-layer resident slot bank on demand. Use the Flash-MoE-enabled Qwen3.8 branch of anemll-flash-llama.cpp. Stock llama.cpp builds that do not understand this package layout or its IQ1_XXXS routed experts cannot run it.

Model and package details

PropertyValue
Architectureqwen35moe
Transformer blocks93
Embedding width8192
Context metadata262,144 tokens
Routed experts per layer512
Native experts selected per token10
Dense/shared GGUF tensors1,423
Dense/shared GGUF file size36,881,771,680 bytes
Routed tensors279
Routed sidecar size360,374,599,680 bytes
Complete upload size397,256,650,449 bytes (369.97 GiB)

The routed sidecar preserves the source GGUF bytes exactly:

  • Layers 0-91: gate, up, and down routed tensors are IQ1_XXXS (276 tensors).
  • Layer 92: gate, up, and down routed tensors are Q2_K (3 tensors).
  • Each layer file contains the three whole routed tensors for that layer, with 512 experts packed within each tensor.

The dense/shared GGUF quant inventory is:

Quant typeTensorsTensor-data bytes
F328382,171,133,440
Q4_K22,288,517,120
Q5_K42023,391,633,408
Q6_K1628,876,851,200
Q8_01142,606,336

Download

The repository is about 397 GB. Put it on a fast local SSD and preserve the directory layout:

hf download anemll/Qwen3.8-2.4T-A95B-FlashMoE-UD-Q1_0 \
  --local-dir ~/Models/Qwen3.8

Expected layout:

~/Models/Qwen3.8/
├── model-dense.gguf
├── flashmoe-package.json
└── sidecar/
    ├── manifest.json
    ├── layer_000.bin
    ├── ...
    └── layer_092.bin

Keep the sidecar on fast directly attached storage. This runtime uses SSD reads for cache misses; network filesystems and slow external links will sharply reduce decode speed.

SSD slot-bank inference

Build the Flash-MoE branch of anemll-flash-llama.cpp, then run from its source directory:

./build/bin/llama-cli \
  -m ~/Models/Qwen3.8/model-dense.gguf \
  --moe-mode slot-bank \
  --moe-sidecar ~/Models/Qwen3.8/sidecar \
  --moe-slot-bank 96 \
  --moe-topk 10 \
  --moe-cache-io-split 4 \
  --moe-prefetch-temporal \
  -fit on \
  -ub 1 \
  -b 1 \
  -ngl 999 \
  -c 128 \
  --no-warmup \
  -st \
  -p "Hello" \
  -n 16

Important runtime choices:

  • Keep --moe-topk 10: this is the model's native routed width.
  • Do not add --slot4 or --slot8; those fused paths do not match native top-10 routing.
  • -ub 1 and -b 1 select the decode-oriented SSD path.
  • --moe-prefetch-temporal overlaps next-layer reads with current-layer compute.
  • The 96-slot setting is intended for a 128 GB Apple Silicon machine. Each slot, summed over all 93 layer banks, costs 703,856,640 bytes (671.25 MiB), so a 96-slot bank uses about 62.93 GiB in addition to the dense model and runtime allocations. If memory pressure is high, start with 32 or 64 slots.
  • The 262K value is model metadata, not a promise that the full context fits in memory. Increase -c only after budgeting KV-cache and runtime memory.

Attribution and license

The embedded GGUF metadata reports license: other. Review and comply with the base model and source repository license terms before use or redistribution.

Verification metadata

flashmoe-package.json records the export summary and sidecar/manifest.json records source offsets, quant types, shapes, exact byte lengths, and repacked offsets. The package was produced with byte-level sidecar verification enabled.

Как запустить

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

GPU в ailist

llama.cpp

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
a701e8e

0 моделей