/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
gguf
Опубликована
3 сен 2026

Qwen3.8-Flash-Next-99B-A5B-Niwaki-3bit-gguf

Генерация текстаТекст → текст7 профессий

Квантованная GGUF-сборка прореженной и дистиллированной Qwen3.8-Flash-Next для локальной генерации текста и диалогов через форк llama.cpp.

1 986скачиваний за 30 дней3лайкавеса обновлены20 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 GGUF-сборка модели Qwen3.8-Flash-Next-99B-A5B-Niwaki, подготовленная проектом Niwaki для запуска через специализированный форк llama.cpp на CUDA, Vulkan, Metal или CPU. Базовую модель разработала команда Qwen; в этой версии маршрутизируемые эксперты прорежены по статистике их использования, результат скорректирован восстановлением и краткой дистилляцией, а веса сохранены в низкой точности. Модель содержит 99 млрд параметров, из которых активно около 5,2 млрд; в архитектуре 48 слоёв и до 512 маршрутизируемых экспертов.

Модель предназначена для генерации текста и диалогового использования. В README приведены результаты оценки на WikiText-2 и сообщается, что качество составляет около 97% среднего результата исходной модели по задачам, но нишевые технические факты и числа менее надёжны. Оценка проводилась на англоязычных веб-данных; модель наследует смещения базовой модели.

Для запуска необходим форк neopolita-llama.cpp: стандартный llama.cpp пока не поддерживает используемую раскладку тензоров, а файлы конвертера этого форка работают только в нём. Лицензия указана как other; подробные условия следует проверять в карточке базовой модели и файлах лицензии репозитория.

Сценарии применения

  • локальная генерация ответов в чате
  • создание и продолжение текстов
  • ответы на вопросы на основе языковой модели
  • генерация англоязычного текста на CPU или GPU
  • эксперименты с запуском MoE-модели в GGUF

Ограничения

Качество ниже базовой модели: README сообщает около 97% её среднего результата по задачам, а нишевые технические факты и числа менее надёжны. Для запуска требуется форк neopolita-llama.cpp; стандартный llama.cpp не поддерживает раскладку модели.

Для каких профессий подходит7

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-99B-A5B-Niwaki-3bit-gguf

GGUF builds of Qwen3.8-Flash-Next-99B-A5B-Niwaki-3bit-mlx — Qwen3.8-Flash-Next pruned to 99B total / ~5.2B active parameters — for llama.cpp on CUDA, Vulkan, Metal and CPU. Requires the neopolita-llama.cpp fork (see Usage): stock llama.cpp cannot represent this model's layout yet.

Niwaki (庭木): routed experts pruned using statistics of their routed tokens over a mixed web/code/chat/reasoning corpus, reconstructed to compensate, then briefly distilled from the full model, and stored at low precision. A paper with the full method is coming soon.

Files

filesizewt2 ppl (llama.cpp, 512-ctx)
Qwen3.8-Flash-Next-99B-A5B-Niwaki-3bit-UD-Q3K.gguf (recommended)42.5 GB8.79 ±0.06
Qwen3.8-Flash-Next-99B-A5B-Niwaki-3bit-UD-Q4K.gguf54.1 GB8.61 ±0.06

Protocol: llama-perplexity, WikiText-2 test, 512-token windows. These llama.cpp numbers are not directly comparable to the MLX repo's 2048-window benchmarks; the canonical measurements (against the reference model) live there.

Both builds are quantized structure-aware, mirroring the MLX artifact's native allocation: the always-active backbone (attention, linear attention, hyper-connections, shared experts) at Q6_K, embeddings and output at Q8_0, the pruned routed experts on a compact carrier (Q3_K, or Q4_K in the UD-Q4K file), the n-gram embedding table at Q2_K (Q3_K in UD-Q4K), and the distilled output maps at Q8_0.

Model dimensions

total / active parameters99B / ~5.2B
layers / routed experts / top-k48 / 512 / 10 (routed experts on 24 of the 48 layers)
expert intermediate size512 (448 used; zero-padded for the quantization block size)
contextas base model
modalitytext only (vision tower not included; MTP draft head not included)

Usage

git clone https://github.com/Neopolita/neopolita-llama.cpp
cd neopolita-llama.cpp
cmake -B build -DCMAKE_BUILD_TYPE=Release   # add -DGGML_METAL=ON / -DGGML_CUDA=ON / -DGGML_VULKAN=ON as usual
cmake --build build -j --target llama-cli llama-server llama-completion

hf download neopolita/Qwen3.8-Flash-Next-99B-A5B-Niwaki-3bit-gguf Qwen3.8-Flash-Next-99B-A5B-Niwaki-3bit-UD-Q3K.gguf --local-dir .
./build/bin/llama-cli -m Qwen3.8-Flash-Next-99B-A5B-Niwaki-3bit-UD-Q3K.gguf
# or serve:
./build/bin/llama-server -m Qwen3.8-Flash-Next-99B-A5B-Niwaki-3bit-UD-Q3K.gguf

On an M4 Max (Metal) the UD-Q3K file decodes at ~30 tokens/s.

Why a fork

The fork adds three small, general features to llama.cpp's qwen4exp architecture, needed to store this model at its real size:

  • routed banks may be absent on a layer (the router and shared expert stay); stock llama.cpp needs uniform expert tensors, which would add ~17 GB of all-zero experts here;
  • a packed layout for the per-layer n-gram embedding table (ple.row_pack), so block-256 quantization types apply to its 160-wide rows; otherwise the table alone is 28.8 GB at 4.5 bits;
  • an optional per-layer output map (ffn_out_map), so the distilled healing maps ship as tensors instead of being folded into 3-bit weights.

Files produced by the fork's converter load only in the fork; upstreaming is planned.

Notes and limitations

  • Quality follows the MLX artifact: ~97% of the reference's task average and 1.56× its perplexity under the MLX protocol. 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.
  • Canonical benchmarks, dimensions and the MLX-native artifact: Qwen3.8-Flash-Next-99B-A5B-Niwaki-3bit-mlx.

Base model by the Qwen team (see license); pruning, distillation and GGUF builds by the Niwaki project, 2026-09.

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
d49d2da

0 моделей