/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Своя лицензия
Архитектура
qwen4_exp · dense
Базовая модель
Qwen3.8-Flash-Next-DERISKED-BF16
Библиотека
transformers
Опубликована
30 авг 2026

Qwen3.8-Flash-Next-DERISKED-W4A16-AWQ

Изображение и текст → текст15 профессий

Qwen3.8-Flash-Next-DERISKED-W4A16-AWQ — мультимодальная языковая модель для работы с изображениями и текстом, разработанная как производная от Qwen3.8-Flash-Next.

49 843скачиваний за 30 дней3лайкавеса обновлены30 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

Базовую модель выпустила команда Qwen, вариант DERISKED создан Blackfrost-AI, а данная версия дополнительно подвергнута квантизации AWQ авторами репозитория davetha.

Модель предназначена для сценариев image-text-to-text и рассчитана на запуск крупной MoE-модели класса 80B на двух AMD MI210. Используется формат compressed-tensors W4A16: веса представлены в 4-битном виде, активации — в bfloat16, размер группы — 128. Квантизированы маршрутизируемые эксперты и полные attention-слои, тогда как ряд чувствительных компонентов, включая GDN-слои, общий эксперт, нормы, эмбеддинги, MTP-голову и PLE-таблицу, сохранены в bf16. Поддерживается контекст до 262 144 токенов, MTP speculative decoding и PLE n-gram table.

На связке vLLM и двух MI210 заявлены производительность prefill около 2200 токенов в секунду и decoding около 40 токенов в секунду с MTP при трёх speculative tokens; без спекулятивного декодирования — около 10 токенов в секунду. Сильные стороны модели — длинный контекст, мультимодальность, эффективное int4-хранение и ускорение MoE-вычислений. Ограничения включают зависимость от специфической конфигурации vLLM/ROCm, медленный bandwidth-bound decoding из-за потоковой загрузки примерно 100 ГБ PLE-таблицы по PCIe и ограничение speculative decoding тремя токенами на указанном стеке. Модель является abliterated/uncensored: защитное поведение отказа удалено, поэтому ответственность за применение лежит на пользователе. Распространяется по Qwen Community License 1.0; применяются условия лицензии базовой модели.

Для каких профессий подходит15

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-DERISKED-W4A16-AWQ

A W4A16 (AWQ) quantization of Blackfrost-AI/Qwen3.8-Flash-Next-DERISKED-BF16, an abliterated ("derisked") variant of Qwen's Qwen3.8-Flash-Next. Multimodal (image-text-to-text), MTP speculative-decode head and PLE n-gram table preserved.

Built to run the 80B-class Flash-Next MoE on 2× AMD MI210 (gfx90a) at long context.

What this is

  • Format: compressed-tensors, W4A16 — 4-bit weights, group size 128, symmetric, no zero-point (loads on vLLM's TritonW4A16 + fused_moe_kernel_gptq_awq fast paths).
  • Method: AWQ (activation-aware). Smoothing is restricted to the mathematically-exact up_proj → down_proj pairs. The standard norm → q/k/v and norm → gate/up smoothings are deliberately excluded: this architecture uses hyper-connections with a data-dependent (sigmoid) gate, so folding a smoothing scale into the norm would change the gate non-linearly and corrupt the weights.
  • Quantized: routed experts (gate/up/down) and full-attention q/k/v/o.
  • Kept in bf16 (matching the reference recipe): the GDN linear-attention layers (recurrent state — error compounds along the sequence), the shared expert, the QSA indexer, the router gates, hyper-connections, norms, embed_tokens, lm_head, the MTP speculative-decode head, and the PLE n-gram embedding table.

Performance (measured, 2× MI210, vLLM, TP=2, 256K context)

MetricValue
Prefill~2,200 tok/s (rises with prompt length)
Decode (MTP spec decode, num_speculative_tokens=3)~40 tok/s
Decode (no spec decode)~10 tok/s
Context262,144 (256K)

Decode is bandwidth-bound: the ~100 GB PLE table is CPU-offloaded and streamed over PCIe, so single-token decode is inherently slow; the MTP head (spec decode) recovers most of it. Prefill is compute-bound and rides the tuned int4 MoE kernels.

Note on num_speculative_tokens: 3 is the practical ceiling on this stack — n≥5 trips a QSA-indexer constraint (ring capacity 12 must divide the attention block size).

Serving (vLLM, ROCm / MI210)

vllm serve Qwen3.8-Flash-Next-DERISKED-W4A16-AWQ \
  --tensor-parallel-size 2 --enable-expert-parallel --dtype bfloat16 \
  --gpu-memory-utilization 0.95 --max-model-len 262144 --max-num-seqs 4 \
  --block-size 64 --cpu-offload-params ngram_embedding --cpu-offload-gb 60 \
  --moe-backend triton --mamba-cache-dtype bfloat16 \
  --speculative-config '{"method":"qwen4_exp_mtp","model":"Qwen3.8-Flash-Next-DERISKED-W4A16-AWQ","num_speculative_tokens":3}' \
  --disable-custom-all-reduce --trust-remote-code

Provenance & credits

License

Qwen Community License 1.0 (qwen-community-1.0), inherited from the base model. See the included LICENSE and the upstream Qwen3.8-Flash-Next LICENSE. This quantization is a derivative work and is distributed under the same terms.

Disclaimer

This is an abliterated / uncensored model: safety refusal behavior has been removed. You are responsible for how you use it and for compliance with the base-model license and applicable law.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Готовая квантизация поддерживается только для текстовых LLM (vLLM).

Класс архитектуры
Qwen4ExpForConditionalGeneration
Ревизия весов
2cc216f

0 моделей