/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,6 млрд
Размер весов
64,2 ГБ
Лицензия
Apache 2.0
Архитектура
qwen4_exp_text · MoE
Опубликована
6 сен 2026

slimder-qwen38-ream288-depth32-agentic-ngram50-mixed-nvfp4-v2

Генерация текстаТекст → текст3 профессии

Экспериментальная компактная версия SLIMDER Qwen3.8 для диалоговой генерации текста и исследований с длинным контекстом.

180скачиваний за 30 дней0лайковвеса обновлены10 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 экспериментальный смешанный по точности чекпойнт SLIMDER Qwen3.8 REAM-288, подготовленный Jakeatx на основе компактной версии модели sjakek/slimder-qwen38-ream288-depth32-agentic-ngram50-compact. Он предназначен для генерации текста и диалогового использования, а также для исследований и дальнейшего восстановления дообучением. Архитектура — экспериментальная Qwen4ExpForCausalLM с mixture-of-experts; в метаданных указано 3,6 млрд параметров и контекст 262 144 токена.

Экспертные тензоры хранятся в NVFP4, а таблица PLE n-грамм — в FP8 с масштабами FP16 для каждой строки. Чекпойнт унаследовал сокращения глубины, числа экспертов и ёмкости n-грамм от предыдущих этапов линии SLIMDER. README сообщает об успешных проверках загрузки, генерации и сравнении с BF16-версией, но подчёркивает, что это не универсальная модель для Transformers и что необходимы совместимые экспериментальные компоненты vLLM и широкая оценка качества.

Лицензия — Apache-2.0. Модель заявлена как экспериментальная, для исследований и восстановления дообучением, а не для производственного применения.

Сценарии применения

  • генерация ответов в диалоговом интерфейсе
  • эксперименты с длинным контекстом до 262 144 токенов
  • исследование смешанной точности NVFP4 и FP8 для MoE-моделей
  • восстановительное дообучение компактного чекпойнта
  • проверка генерации текста в совместимой сборке vLLM

Ограничения

Экспериментальный чекпойнт требует пользовательских файлов модели и совместимой экспериментальной сборки vLLM с поддержкой Qwen4 и Marlin NVFP4; это не универсальная модель для Transformers. Широкая оценка качества на задачах ещё требуется, поэтому модель не предназначена для производственного применения.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SLIMDER Qwen3.8 REAM-288 N-gram 50% — Mixed NVFP4/FP8 v2

This is the corrected mixed-precision runtime checkpoint derived from the promoted 50%-compact REAM-288 checkpoint. Expert tensors are stored in NVFP4, while the compact PLE n-gram table is stored in FP8 with per-row FP16 scales.

The v2 exporter uses one shared global scale for each fused gate/up expert tensor, matching the vLLM Marlin loader's contract. This corrects the scale mismatch present in the superseded first mixed export.

Size and structure

  • Logical tensor size: 59.78 GiB
  • BF16 compact source size: 140.17 GiB
  • Compact PLE rows: 160,000,768
  • Trainable parameters removed from the unpruned source: approximately 25.60B
  • Selection manifest SHA-256: 24a0cf8360699362b6a99da498a4138b6a390918bf9cfc9df5b15bcdc3397983

Verified gates

  • All 8,640 fused gate/up expert scale pairs match exactly
  • Structural checkpoint validation: passed
  • PLE FP8 sample cosine versus BF16: 0.999665
  • Finite load, forward pass, and generation under the included vLLM runtime patch
  • Generation throughput: 68.1–79.8 tokens/s across the measured prompt profiles
  • Five basic quality probes: 5/5 correct
  • Sealed 32-prompt mixed-versus-BF16 comparison: passed
    • loss delta: +0.03287
    • token KL: 0.14940
    • router top-10 agreement: 0.92783
    • PLE cosine: 0.999667
    • catastrophic failures: 0

Runtime notes

This model uses the experimental qwen4_exp architecture, a compact PLE remap, and FP8 PLE storage. Use the included custom model/runtime files and a vLLM build with the required Qwen4 experimental and Marlin NVFP4 support. The checkpoint is intended for research and recovery fine-tuning, not as a generic drop-in Transformers model.

The recovery QLoRA adapter and its held-out validation evidence are published separately after the guarded recovery run completes.

Provenance

  • Original base: sjakek/slimder-qwen38-ream288-depth32-agentic
  • BF16 compact parent: sjakek/slimder-qwen38-ream288-depth32-agentic-ngram50-compact
  • Selection/holdout evidence: sjakek/slimder-qwen38-ngram-activation-refine-20260901

Limitations

The runtime and sealed corpus gates passed, but this remains an experimental pruned and quantized checkpoint. Broad task-level evaluation is still required before production use.

Qwen3.8 Perian project lineage

This repository is retained in the Qwen3.8 Perian checkpoints collection. Its exact position in the lineage is: Mixed-precision training base after depth, expert-width, and PLE n-gram reductions, before the final rank-32 QLoRA.

The final Qwen3.8 Perian GGUF release combines three reductions and one post-training stage:

  • depth: 48 to 32 transformer layers;
  • routed-expert width: 384 to 288 experts per layer;
  • PLE n-gram capacity: 320,001,446 to 160,000,768 rows (50%, about 25.60B parameters removed), using activation-aware bigram and frequency-ranked trigram selections validated on a document-disjoint 5M-token holdout;
  • rank-32 QLoRA on 12,558 normalized traces spanning math/STEM reasoning, coding/debugging, agentic tool use, retrieval, and general multi-step reasoning. The trace mixture draws from several frontier-model families, including Fable 5, GLM 5.2, Kimi K3, Claude Opus 4.7, Qwen3.8-Max, and GPT-5.6-Sol. The final merged milestone was trained through 9,336,692 supervised assistant tokens.

Earlier checkpoints in this collection do not inherit later stages merely by being listed beside them; the stage statement above is authoritative for this artifact.

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen4ExpForCausalLM
Ревизия весов
8eb6357

0 моделей