/ Модель

Характеристики

Размер весов
1,3 ТБ
Лицензия
Своя лицензия
Базовая модель
Qwen3.8-2.4T-A95B
Опубликована
20 сен 2026

Qwen38-2.4T-GG

Генерация текстаТекст → текст13 профессий

Квантизированный текстовый MoE-чекпойнт Qwen для диалогов и генерации текста, включая код.

563скачиваний за 30 дней0лайковвеса обновлены20 сен 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

Это текстовая MoE-модель семейства Qwen для диалоговой генерации. По README, репозиторий содержит полный конвертированный чекпойнт Qwen/Qwen3.8-2.4T-A95B с 4-битным представлением весов; метаданные указывают поддержку чат-сценариев и генерации текста. Модель предназначена для диалогов и генерации ответов, включая программный код. В README приведены измерения скорости на восьми GPU AMD MI325X с ROCm, в том числе с ускорением спекулятивным декодированием DSpark; эти показатели относятся к конкретным настройкам и нагрузкам.

Качество модели широко не оценивалось: автор сообщает об арифметических проверках генерации, проверке чата и нескольких тестах с Python-кодом, но не приводит широких оценок точности или perplexity. Квантизация заметно отличается от исходных BF16-весов по приведённым тестам; эквивалентность качества BF16 и детерминизм для произвольных запросов не заявлены. Для размещения чекпойнта указаны значительные требования к памяти GPU. Лицензия обозначена как «other», конкретные условия в предоставленных данных не раскрыты.

Сценарии применения

  • генерация ответов в диалоговом чат-боте
  • написание и продолжение программного кода
  • создание текстовых ответов на запросы пользователя

Ограничения

Широкая оценка точности и perplexity не проводилась; качество не заявлено как эквивалентное исходной BF16-модели, а квантизация даёт заметное отличие на приведённых тестах. Для размещения полного чекпойнта требуются значительные ресурсы GPU.

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

Qwen3.8-2.4T-A95B

A complete converted checkpoint of Qwen/Qwen3.8-2.4T-A95B.

Tested baseline launch

This is a single-active-request profile. Install the compatible Furnace runtime first, then run:

export ROCR_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
export SGLANG_USE_AITER=1
export SGLANG_MOE_PADDING=1
export ROCM_QUICK_REDUCE_QUANTIZATION=NONE
export OMP_NUM_THREADS=8
export MAX_JOBS=8

sglang serve \
  --model-path m8than/Qwen38-2.4T-GG \
  --served-model-name Qwen/Qwen3.8-2.4T-A95B \
  --dtype bfloat16 --tp-size 8 --ep-size 1 --dcp-size 1 \
  --attention-backend triton \
  --linear-attn-prefill-backend triton \
  --linear-attn-decode-backend triton \
  --linear-attn-verify-backend triton \
  --mamba-ssm-dtype float32 \
  --disable-shared-experts-fusion \
  --moe-runner-backend aiter --moe-a2a-backend none \
  --mem-fraction-static 0.90 \
  --context-length 262144 --max-total-tokens 262144 \
  --max-running-requests 1 --max-mamba-cache-size 16 \
  --cuda-graph-max-bs-decode 1 \
  --chunked-prefill-size 8192 --max-prefill-tokens 8192 \
  --load-format safetensors \
  --model-loader-extra-config '{"enable_multithread_load":true,"num_threads":4}' \
  --reasoning-parser qwen3 --tool-call-parser qwen3_coder \
  --watchdog-timeout 1200 --host 127.0.0.1 --port 8000

On shared/network storage, --weight-loader-prefetch-checkpoints --weight-loader-prefetch-num-threads 1 can improve startup loading. These flags do not change inference math.

Measured serving throughput

Measured on eight MI325X 256 GiB GPUs, PyTorch 2.11.0+rocm7.2, HIP 7.2.26015, and Triton 3.7.0. One active request, warmed server and prefix cache, thinking enabled with reasoning effort low. Counts include reasoning tokens. Tokenization precedes timing.

Coding is the median of three runs with 84 input tokens and 2,048 generated tokens. Prose is one run with 77 input tokens and 1,024 generated tokens. Temperature-1 sampling uses top-p 0.95 and top-k 20.

ConfigurationTemperatureCoding decode tok/s, medianProse decode tok/s
No speculation1.045.8646.07
DSpark, block 71.0129.1994.12
DSpark, block 70.0138.2594.70

DSpark's temperature-1 coding median was 128.09 tok/s end-to-end, and its greedy coding median was 136.98 tok/s end-to-end. These are workload-specific generation measurements, not full-context prefill, multi-user throughput, or a model-quality benchmark. The length-limited coding responses are not asserted to be complete modules.

The speculative runs used RadixArk/Qwen3.8-2.4T-A95B-DSpark, revision faaee89a1b8483d4031375b312d7d3eafae36d57, with SGLANG_RAGGED_VERIFY_MODE=static, SGLANG_DSPARK_FOLDED_SAMPLING=0, and these additions to the baseline command:

--speculative-algorithm DSPARK
--speculative-draft-model-path RadixArk/Qwen3.8-2.4T-A95B-DSpark
--speculative-draft-model-revision faaee89a1b8483d4031375b312d7d3eafae36d57
--speculative-dspark-block-size 7
--speculative-draft-attention-backend triton
--speculative-draft-kv-cache-dtype bfloat16

Validation and limitations

The complete export's routed-weight relative L2 error versus BF16 is 12.71%. On one real expert with synthetic inputs, the compiled CK output differed from a software W4A8 reference by at most 0.0084% relative L2. Intentional quantization differed from the original BF16 expert output by 18–19.2% on those inputs. Weight-space and single-expert errors are not accuracy scores.

The loaded full model passed arithmetic generation checks, an OpenAI chat check, and eleven executed cases for a generated Python prime-checking function. Three greedy smoke outputs matched with and without DSpark. Broad accuracy and perplexity evaluation has not been performed; BF16-equivalent quality and arbitrary-prompt bitwise determinism are not claimed.

Target weights occupied approximately 150.27 GiB per GPU, excluding draft weights and runtime workspaces; the configured target KV cache occupied 5.75 GiB per GPU. Four 256 GiB GPUs cannot hold this checkpoint fully GPU-resident.

License

This derivative retains the upstream Qwen3.8-Max License, provided in LICENSE. Its commercial-use conditions continue to apply. Consult the upstream model and license for the base model's terms. The upstream BF16 benchmark claims are not measurements of this converted checkpoint.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
61a29f5

0 моделей