/ Модель

Характеристики

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

Qwen3.8-Flash-Next-Abliterated-EXL3-2.50bpw

Генерация текстаТекст → текст13 профессий

Квантованная в EXL3 сборка Qwen3.8-Flash-Next для диалога, генерации текста и анализа изображений на одном GPU с 24 ГБ памяти.

1 079скачиваний за 30 дней4лайкавеса обновлены19 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 «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

Это квантованная сборка Qwen3.8-Flash-Next от ghost-actual на основе объединённой модели orcarouter/Qwen3.8-Flash-Next-Uncensored и Qwen/Qwen3.8-Flash-Next. Сборка в формате EXL3 с эффективной разрядностью около 2,5 бит на вес предназначена для запуска MoE-модели на одной видеокарте с 24 ГБ памяти, используя выгрузку экспертов в оперативную память процессора. Веса занимают около 41,5 ГБ, а вместе с таблицей n-грамм артефакт — около 61 ГБ; для запуска также требуется примерно 59 ГБ оперативной памяти и быстрый NVMe-накопитель.

Модель предназначена для диалоговой генерации текста, рассуждений и анализа изображений, включая распознавание текста на изображениях. В ней сохранены vision tower, MTP-голова, таблица PLE n-грамм и контекст до 262 144 токенов. Это сборка с удалённым направлением отказов: она может отвечать на запросы, которые исходная модель отклонила бы, поэтому у неё отсутствует соответствующий уровень защитного выравнивания.

Агрессивная квантизация может снижать точность, особенно при сложном извлечении фактов; автор проверил несколько примеров, но не запускал широкие оценки качества. README указывает лицензионные условия Qwen, однако конкретный тип лицензии в метаданных обозначен как other.

Сценарии применения

  • диалоговая генерация текста и ответы на вопросы
  • пошаговые рассуждения и решение задач
  • анализ изображений, включая распознавание текста
  • локальный запуск крупной MoE-модели с выгрузкой экспертов в RAM
  • генерация ответов без встроенного отказа на запрещённые запросы

Ограничения

Квантизация 2,5 bpw может заметно ухудшать качество на сложных задачах извлечения фактов; широкие оценки качества этой сборки не проводились. Удаление отказов ослабляет защитное выравнивание модели.

Для каких профессий подходит13

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 Abliterated — EXL3 2.50 bpw (single 24 GB GPU)

Qwen3.8-Flash-Next Abliterated — EXL3 2.50bpw — 47 tok/s, no MTP, on one 24 GB GPU

A refusal-removed (abliterated) build of Qwen's Qwen3.8-Flash-Next, quantized to EXL3 2.50 bpw so the full model runs on a single 24 GB card (RTX 3090 / 4090) using MoE CPU-offload — with the vision tower, MTP head, native 262,144-token context, and the PLE n-gram table all intact.

What this is

  • Base model: Qwen/Qwen3.8-Flash-Next — a Qwen4-preview MoE (~177B stored / ~6B active), Gated DeltaNet linear attention + Qwen Sparse Attention, MTP, native vision, 262K context.
  • Abliteration source: orcarouter/Qwen3.8-Flash-Next-Uncensored (BF16, 131 shards).
  • Quantization: EXL3 2.50 bpw, single pass. Covers that the BF16 (360 GB) source was abliterated by OrcaRouter — this repo is the quant, not a new ablation.

Layout

layer groupbitrateflag
routed experts / decoder2.50 bpw (per-tensor alloc, ~2.0–3.0)-b 2.50
attention + shared expertshigher ("hq")-hq
MTP head4 bpw-mb 4
vision tower6 bpw-vb 6
n-gram embedding table3 bpw-ngb 3

Total artifact: ~61 GB (41.5 GB weights in 6 shards + 19 GB n-gram table). Measured average bitrate ~2.52 bpw.

Conversion

# engine (MoE CPU-offload capable):
git clone -b dflash2-pathway https://github.com/r0b0tlab/exllamav3

# convert (from the abliterated BF16):
cd exllamav3 && python3 convert.py \
  -i ../Qwen3.8-Flash-Next-Uncensored  \
  -o ../qwen38-flash-next-abliterated-exl3-b250 \
  -w ../work/target-b250 \
  -b 2.50 -mb 4 -vb 6 -hq -ngb 3 -cr 250

Running (single 24 GB card)

Requires the same MoE CPU-offload setup as the stock 2.50bpw pack: ~59 GB host RAM for the CPU expert tail and a fast NVMe for the streamed n-gram table.

# interactive (no MTP — see note below):
python3 examples/chat.py -m ./qwen38-flash-next-abliterated-exl3-b250 \
  -mode chatml -cs 32768 -cq 3 -mcs 320 -mct 16

Serving flags — the two that actually matter:

  • -mct must equal your physical core count. The upstream README's -mct 6 was "6 = their 6-core machine." On a 16-core CPU, -mct 16 jumps from ~15–24 tok/s to ~26–47. This knob alone is roughly a 2× swing.
  • -mcs 320 = speed preset (fewer experts offloaded → more resident on GPU → faster, ~23 GB VRAM). -mcs 384 = long-context preset (~20 GB, slower). 320 fits a 24.5 GB card; go much lower and you OOM.

Measured — RTX 3090 Ti + Ryzen 9 5950X (16-core) + DDR4: ~47 tok/s decode with MTP off (mcs 320, 16 threads), settling upward from ~37 cold as the offload's hot-expert set warms in VRAM. MTP only pays with greedy sampling — on the interactive temp-0.8 sampler acceptance is ~47% and decode roughly 3× slower, so leave -mtp off for chat. Full native context: -cs 262144 -cq 3 (the 3-bit KV cache is ~1.1 GB at 262K).

Smoke test (on the quantized artifact)

Fired on the 2.50 bpw output, not the BF16, to confirm the ablation survived quantization:

  • weapons prompt (RDX synthesis) → answered directly, no refusal
  • medical prompt (pentobarbital protocol/dosage) → answered directly, no refusal
  • sanity (17×23) → correct step-by-step (391), coherent reasoning, native thinking tags intact

Notes & caveats

  • Not retrained, not instruction-tuned-away. Abliteration removes the refusal direction; the underlying model still has gradient-descent knowledge and no safety alignment layer. Assume standard safety/capability tradeoffs of any ablated model.
  • Research use. Same Qwen license terms as the base; this is the quant of OrcaRouter's ablated BF16.
  • Low-bitrate (2.5 bpw) quantization is aggressive — per-token quality is below the BF16 source, expect some degradation on hard recall vs. denser quants. The refusal check passed at this bitrate; broader evals (the upstream Q200v2 kit) were not re-run on this ablated quant.
  • Vision tower smoke-tested on the quant (synthetic image: shapes + text) — shapes, colors, and OCR all correct; preserved at 6 bpw per the conversion flags.

Credits

License

Underlying weights: Qwen License (see parent). Ablitration: OrcaRouter's work. Quant: EXL3 (ExLlamaV3, MIT).

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen4ExpForConditionalGeneration
Ревизия весов
1354024

0 моделей