/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
132 ГБ
Лицензия
Своя лицензия
Архитектура
qwen4_exp · dense
Базовая модель
Qwen3.8-Flash-Next
Библиотека
mlx-serve
Опубликована
30 авг 2026

Qwen3.8-Flash-Next-MLX-SSD-Stream

Изображение и текст → текст15 профессий

Qwen3.8-Flash-Next-MLX-SSD-Stream — подготовленная для mlx-serve версия модели Qwen3.8-Flash-Next, разработанная garnermccloud на базе весов Qwen, с таблицей FP8 от RadixArk и поддержкой Apple MLX.

1 630скачиваний за 30 дней11лайковвеса 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

Модель предназначена для локального высокоскоростного инференса на Mac с unified memory, особенно для генерации кода, технических текстов, задач рассуждения, структурированных вызовов инструментов и работы с длинным контекстом. Она поддерживает текстовые, графические и видео-входы, а также OpenAI Chat Completions, Responses, Anthropic Messages и Ollama API.

Архитектура включает Transformer и vision-компоненты примерно на 125 млрд параметров, из которых около 6 млрд активны на токен, а с учётом PLE-таблицы и MTP-весов логический общий объём составляет около 180 млрд параметров. Реализованы Mixture-of-Experts, sparse attention, n-gram embedding, native MTP и контекст до 262 144 токенов. Основные компоненты используют BF16, маршрутизируемые эксперты и MTP — Q4 affine, vocabulary head — Q6 affine, а 51,2-гигабайтная n-gram-таблица хранится в FP8 и потоково читается с SSD, снижая требования к unified memory. На Apple M4 Max с 128 ГБ заявлена скорость декодирования около 71–74 токенов в секунду в отдельных сценариях и prefill до 280,7 токена в секунду на длинном контексте.

Сильные стороны модели — сочетание качества BF16-ядра, ускорения MTP, мультимодальности, большого контекста и возможности запускать конфигурацию с крупной таблицей без полного размещения в памяти. Ограничения — значительный размер подготовленного репозитория около 127 ГБ, зависимость от SSD и специализированного движка mlx-serve, а также оптимизация прежде всего под Apple Silicon; приведённые показатели относятся к M4 Max с 128 ГБ памяти. Модель распространяется по Qwen Community License; веса Transformer и vision предоставлены Qwen, таблица — из checkpoint RadixArk, а подготовленная конфигурация и поддержка SSD Stream — проектом garnermccloud/mlx-serve.

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 MLX SSD Stream

Quality-first Flash-Next at 70+ tok/s on a 128 GB Mac

This prepared model prioritizes quality and speed: a BF16 core and verification path, Q4 routed experts, native MTP, multimodal support, and the full 262,144-token context window. On an M4 Max with 128 GB unified memory, matched warm workloads measured 71-74 tok/s for code and technical prose.

SSD Stream makes that configuration fit without keeping the model's 51.2 GB lookup table in unified memory. The table streams from SSD while the GPU is already working, leaving that memory available for model weights, KV cache, and macOS. A Q6 copy of the vocabulary head proposes MTP tokens that are always checked by the untouched BF16 verification head.

What this model is

ComponentSource
Transformer and vision weightsQwen/Qwen3.8-Flash-Next at de4b8e4d43b917e7706784d8bb445c9af86a3540
FP8 lookup tableRadixArk/Qwen3.8-Flash-Next-NVFP4 at 7b719225242aacd3dbd3f9407468c2ee9a9d2594
Serving enginegarnermccloud/mlx-serve
Tested hardwareApple M4 Max with 128 GB unified memory
Prepared downloadApproximately 127 GB

The prepared repository contains the complete model and a read-only ngram_table.bin; no conversion step or companion draft model is required. The table payload is source-verified during conversion and remains in its original FP8 E4M3 format.

Performance

M4 Max, 128 GB

ResultValue
Native context262,144 tokens
Model allocation before request cachesApproximately 75.3 GB
SSD-streamed lookup table51.2 GB
Complete prepared repositoryApproximately 127 GB
Long-context prefill280.7 prompt tok/s at 248,445 tokens

The decode comparison used the 262,144-token server context and native MTP at depth 4. Rates are completion tokens divided by total request wall time, median of three warm runs after one discarded warmup. Each pair used the same prompt and greedy sampling.

WorkloadCompletionNative MTPSerialSpeedup
Python CSV parser module600 tokens73.8 tok/s33.2 tok/s2.22x
Technical Rayleigh-fading prose600 tokens71.2 tok/s33.0 tok/s2.16x
Numbered unique sentences1,024 tokens54.4 tok/s32.2 tok/s1.69x

The uncached 248,445-token retrieval test returned its exact buried key and stopped normally within the native context window. The release also passed 39 end-to-end checks covering text, structured tools, streaming, MTP, long-context retrieval, images, concurrent decode, and mixed speculative and serial traffic.

Run it

Build mlx-serve, then give it this Hugging Face model ID:

git clone --recurse-submodules https://github.com/garnermccloud/mlx-serve
cd mlx-serve
brew bundle install --file=Brewfile
./app/build.sh
./zig-out/bin/mlx-serve run garnermccloud/Qwen3.8-Flash-Next-MLX-SSD-Stream

The first run downloads the prepared files and then starts the server at http://localhost:11234. Later launches reuse the verified local snapshot. Native MTP and SSD streaming are selected from the model metadata, so there are no model-specific serving flags.

Capabilities

  • 262,144-token native context
  • text, image, and video input
  • reasoning and structured tool calls
  • OpenAI Chat Completions, Responses, Anthropic Messages, and Ollama APIs
  • native MTP enabled automatically; no companion model or serving flags

Precision

tensorswidth
routed experts, including MTPQ4 affine, group 64
draft-only vocabulary headQ6 affine, group 64
core, embeddings, verification head, visionBF16
n-gram tablesource FP8 E4M3, streamed from SSD

How SSD Stream works

Flash-Next needs 16 deterministic lookup rows per token. Their addresses are known before the model reaches the block that consumes them, so mlx-serve starts persistent parallel pread operations while the preceding GPU work is still running. It restores rows in token order, converts FP8 directly to BF16, and waits only when storage takes longer than the overlapping computation.

The 51.2 GB table is mapped read-only. SSD Stream does not create a second private copy or reserve a multi-gigabyte cache; macOS may retain useful pages in its reclaimable filesystem cache.

Hugging Face metadata

Hugging Face's automatic parameter and precision labels describe the packed safetensors, not the complete source architecture. The transformer has 125B parameters with 6B active per token. The architecture also includes the 51.2-billion-element PLE table and MTP weights, bringing its logical total near 180B. The PLE is stored separately in ngram_table.bin, so it is not included in the safetensors parameter count.

License and attribution

The model retains the Qwen Community License. Transformer and vision weights come from Qwen. The FP8 table comes from the RadixArk NVFP4 checkpoint. Serving support and the prepared layout are provided by garnermccloud/mlx-serve, an independent fork of mlx-serve.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx-serve

Нельзя запустить

MLX-модели работают только на Apple Silicon, на GPU NVIDIA они не запускаются.

Класс архитектуры
Qwen4ExpForConditionalGeneration
Ревизия весов
9a624d9

0 моделей