/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
42,2 ГБ
Лицензия
Своя лицензия
Архитектура
qwen4_exp · dense
Базовая модель
Qwen3.8-Flash-Next-4bit
Библиотека
mlx
Опубликована
4 сен 2026

Qwen3.8-Flash-Next-113B-A5B-Niwaki-3bit-mlx

Генерация текстаТекст → текст15 профессий

Qwen3.8-Flash-Next-113B-A5B-Niwaki-3bit-mlx — текстовая Mixture-of-Experts-модель, созданная проектом Niwaki на базе Qwen3.8-Flash-Next от команды Qwen.

554скачиваний за 30 дней1лайквеса обновлены6 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

Модель была подвергнута структурному прореживанию экспертов, реконструкции и дистилляции, после чего сохранена в 3-битном формате для MLX. Она предназначена для генерации текста, диалогов, программирования, рассуждений и творческих задач на компьютерах Apple Silicon, особенно моделях с 64 ГБ unified memory.

Модель содержит 113B параметров, из которых около 5,4B активны для каждого токена. Архитектура включает 48 слоёв, до 512 маршрутизируемых экспертов и top-k 10; эксперты используются в 32 слоях и имеют промежуточный размер 448. Эксперты хранятся в 3-битном формате с группировкой 64, backbone — в 4-битном, а таблица n-gram embeddings PLE — в 2-битном формате. Размер модели на диске составляет 42,2 ГБ, поддерживается только текстовая модальность, языки явно не указаны. Для запуска требуются MLX, mlx-vlm и специальный загрузчик Niwaki; заявлена производительность около 31 токена в секунду на M4 Max.

Главное преимущество — существенное сокращение требований к памяти при сохранении 99,8% среднего результата базовой 4-битной модели на указанном наборе задач. Ограничения включают повышенную perplexity, меньшую надёжность чисел и редких технических фактов, недостаточную проверку поведения в узких предметных областях и унаследованные от базовой модели смещения. При включённом режиме рассуждений модель может генерировать чрезмерно длинные ответы; для кратких задач рекомендуется отключать thinking. Лицензия указана как other со ссылкой на лицензию базовой модели Qwen3.8-Flash-Next.

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

Niwaki

Qwen3.8-Flash-Next-113B-A5B-Niwaki-3bit-mlx

Qwen3.8-Flash-Next pruned to 113B total / ~5.4B active parameters, stored at 3-bit — 3.1× less expert memory than the 4-bit reference, 42.2 GB on disk (13 GB below any 2-bit cast of the unpruned model), for 64 GB Macs; keeps 99.8% of the reference's task average. Stock mlx-vlm plus the small loader shipped in this repo.

Niwaki (庭木) are Japan's garden trees, sculpted by meticulous pruning so that every branch serves the form of the whole. This model applies that spirit to a Mixture-of-Experts: routed experts are pruned using statistics of their routed tokens over a mixed web/code/chat/reasoning corpus, reconstructed to compensate, then distilled from the full model on the same mixed corpus, and stored at low precision. The result is the same architecture with fewer, narrower experts.

A paper with the full method and measurements is coming soon.

Benchmarks

Evaluation protocol: WikiText-2 perplexity over 64 × 2048-token windows (fp32 loss, no chat template); task average over arc_easy, hellaswag, piqa, winogrande and boolq (zero-shot, 500 examples each), paired against the reference on the identical examples.

modelexpert storagewt2 ppl ↓task avg ↑retentiongeneration d2 (avg/min)
reference (4-bit)75.5 GB5.060.759100%0.78 / 0.62
this model24.7 GB (0.327×)7.080.75799.8%0.66 / 0.42

Generation quality is measured, not assumed: an 8-prompt battery (code, reasoning, chat, creative; 600-token sampled generations) scored by bigram diversity. Known limitation (measured): with thinking on, this model reasons at length — it used the whole 600-token budget on seven of the eight prompts where the reference stopped early on four — which lowers its diversity score (0.66 vs 0.78; minimum 0.42 on the haiku prompt); the answers themselves are on target. Use enable_thinking=False for short-form tasks.

Model dimensions

total parameters113B (from ~177B)
active parameters per token~5.4B (from ~6.7B)
layers / routed experts / top-k48 / 512 / 10 (routed experts kept on 32 of the 48 layers)
expert intermediate size448 (from 640)
expert precision3-bit (group 64)
n-gram embedding table (PLE) precision2-bit (group 128)
backbone precision4-bit (untouched)
whole-model size on disk42.2 GB
runs comfortably in64 GB unified memory
modalitytext only (vision tower not included)

Usage (MLX, Apple Silicon)

Requires mlx-vlm >= 0.7.0rc0 and mlx >= 0.32, plus niwaki_flash_load.py from this repo (it tells stock mlx-vlm about the artifact's layout).

pip install -U mlx mlx-vlm transformers
hf download neopolita/Qwen3.8-Flash-Next-113B-A5B-Niwaki-3bit-mlx --local-dir ./niwaki-flash-113b
import mlx_vlm
from niwaki_flash_load import load          # niwaki_flash_load.py from this repo

model, processor = load("./niwaki-flash-113b")
messages = [{"role": "user", "content": "Explain hyper-connections in two sentences."}]
text = processor.tokenizer.apply_chat_template(messages, add_generation_prompt=True,
                                               tokenize=False, enable_thinking=False)
print(mlx_vlm.generate(model, processor, text, max_tokens=300, verbose=False).text)

enable_thinking=False skips the reasoning preamble; leave it on for harder prompts. On an M4 Max: ~31 tokens/s, ~42 GB peak.

GGUF builds for llama.cpp (CUDA, Vulkan, Metal, CPU; they need the neopolita-llama.cpp fork): Qwen3.8-Flash-Next-113B-A5B-Niwaki-3bit-gguf (UD-Q3K 49.1 GB recommended, UD-Q4K 62.8 GB).

Notes and limitations

  • Compression trades quality: this model keeps ~99.8% of the reference task average at 1.40× its perplexity. Fluent and on-topic; numbers and niche technical facts are less reliable than the reference.
  • Evaluated text-only on English-web-heavy data; the base model's biases are inherited and rare-domain behaviour of pruned experts is less tested.
  • Smaller sibling for 48 GB machines: Qwen3.8-Flash-Next-99B-A5B-Niwaki-3bit-mlx. The Niwaki family on Qwen3.6-35B-A3B: 27B-A3B-Niwaki-2bit · 19B-A3B-Niwaki-2bit · 11B-A3B-Niwaki-4bit.

Base model by the Qwen team (see license); 4-bit MLX conversion by mlx-community; pruning and distillation by the Niwaki project, 2026-09. Method details: paper coming soon.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

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

Класс архитектуры
Qwen4ExpForConditionalGeneration
Ревизия весов
1a50fdc

0 моделей