/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
36,6 ГБ
Лицензия
Своя лицензия
Архитектура
qwen4_exp · dense
Базовая модель
Qwen3.8-Flash-Next-4bit
Библиотека
mlx
Опубликована
3 сен 2026

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

Генерация текстаТекст → текст15 профессий

Qwen3.8-Flash-Next-99B-A5B-Niwaki-3bit-mlx — текстовая Mixture-of-Experts-модель, созданная проектом Niwaki на базе Qwen3.8-Flash-Next от команды Qwen.

2 260скачиваний за 30 дней5лайковвеса 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

Модель получена pruning, реконструкцией и distillation экспертов, после чего сохранена в 3-битном формате для MLX. Она предназначена для генерации текста, диалогов, программирования, рассуждений и творческого письма, прежде всего на устройствах Apple Silicon с unified memory. Vision tower в этой версии отсутствует, поэтому модель работает только с текстом.

Модель содержит около 99 млрд параметров, из которых примерно 5,2 млрд активны для каждого токена; исходный размер составлял около 177 млрд параметров. Архитектура включает 48 слоёв, 512 маршрутизируемых экспертов и top-k=10, при этом эксперты используются в 24 слоях. Размер промежуточного слоя экспертов — 448, экспертные веса имеют 3-битную точность с group size 64, n-gram embedding table — 2-битную, а backbone сохранён в 4-битном формате. Размер модели на диске — 36,7 ГБ; она рассчитана на комфортную работу в 48 ГБ unified memory. Для MLX требуются mlx-vlm версии не ниже 0.7.0rc0, mlx не ниже 0.32 и специальный загрузчик из репозитория модели.

Главное преимущество — существенное снижение требований к памяти при сохранении заявленных характеристик базовой модели: на опубликованном наборе задач среднее качество составило 96,6% от 4-битного reference-варианта. Модель сохраняет беглость и релевантность ответов, однако сжатие ухудшает perplexity и надёжность числовых и узкоспециализированных технических сведений. На многошаговых арифметических задачах она может рассуждать дольше и более повторно. Оценивание проводилось преимущественно на англоязычных веб-данных, поэтому поведение в редких предметных областях и языках, отличных от английского, исследовано ограниченно.

Лицензия указана как other; применимые условия приведены в лицензии базовой модели Qwen3.8-Flash-Next. Доступны также сборки GGUF для llama.cpp, требующие форка neopolita-llama.cpp.

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-99B-A5B-Niwaki-3bit-mlx

Qwen3.8-Flash-Next pruned to 99B total / ~5.2B active parameters, stored at 3-bit — 4.1× less expert memory than the 4-bit reference, 36.7 GB on disk: half the bytes of the smallest published quant, and it fits a 48 GB Mac. 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 model18.5 GB (0.245×)7.880.73396.6%0.68 / 0.51

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): on multi-step arithmetic prompts the model reasons longer and more repetitively than the reference (battery minimum 0.51 on those prompts, and it uses the whole 600-token budget where the reference stops early); chat, explanations and short-form writing are on par (0.90–0.93).

Model dimensions

total parameters99B (from ~177B)
active parameters per token~5.2B (from ~6.7B)
layers / routed experts / top-k48 / 512 / 10 (routed experts kept on 24 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 disk36.7 GB
runs comfortably in48 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-99B-A5B-Niwaki-3bit-mlx --local-dir ./niwaki-flash
import mlx_vlm
from niwaki_flash_load import load          # niwaki_flash_load.py from this repo

model, processor = load("./niwaki-flash")
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: ~30 tokens/s, ~37 GB peak.

GGUF builds for llama.cpp (CUDA, Vulkan, Metal, CPU; they need the neopolita-llama.cpp fork): Qwen3.8-Flash-Next-99B-A5B-Niwaki-3bit-gguf (UD-Q3K 42.5 GB recommended, UD-Q4K 54.1 GB).

Notes and limitations

  • Compression trades quality: this model sits at ~97% of the reference task average and 1.56× 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.
  • 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
96f07d4

0 моделей