/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Своя лицензия
Архитектура
qwen4_exp · dense
Базовая модель
Qwen3.8-Flash-Next-NVFP4
Библиотека
vllm
Опубликована
27 авг 2026

Qwen3.8-Flash-Next-NVFP4-PLE-NVFP4

Изображение и текст → текст3 профессии

Это производная версия Qwen3.8-Flash-Next, опубликованная provsalt. Она основана на Inferact/Qwen3.8-Flash-Next-NVFP4 и сохраняет его ModelOpt NVFP4 backbone, но дополнительно преобразует таблицу position-learning enhancement (PLE) из BF16 в NVFP4.

587скачиваний за 30 дней1лайквеса обновлены27 авг 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 «Изображение → 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

Исходная модель происходит из Qwen/Qwen3.8-Flash-Next. Репозиторий содержит только веса и метаданные Hugging Face; архитектура включает исходную vision tower, а служебная конфигурация указывает на мультимодальный режим image-text-to-text.

Модель предназначена для мультимодального инференса с текстом и изображениями, прежде всего на одной NVIDIA DGX Spark с GB10 и 128 ГБ общей памяти. Полный checkpoint занимает около 101,643 GiB, а PLE-таблица размещается в памяти CPU с выборочным декодированием запрошенных строк в BF16. В проверенном сценарии поддерживалось одно изображение с бюджетом от 65 536 до 262 144 пикселей; видео отключено. Тестировался контекст 4096 токенов, но более длинный контекст, конкурентные запросы, tensor parallelism и expert parallelism не валидировались.

Ключевое преимущество — существенное сокращение размера PLE-таблицы примерно на 68,546 GiB без удаления экспертов и с сохранением исходной vision tower. В контролируемом исследовании преобразование PLE дало 91,525% совпадения top-1 с эталоном и 0,995399 косинусного сходства логитов, однако это не является полноценным бенчмарком качества задач. Ограничения включают длительный запуск, возможное использование системного swap, отсутствие throughput- и vision-бенчмарков, а также задержки из-за обычных CPU-операций PyTorch при декодировании PLE.

Для работы необходим внешний runtime-плагин qwen38-nvfp4-ple; стандартные vLLM и Transformers checkpoint не загружают. Проверенная конфигурация использует специальный образ и dev-версию vLLM, executor mp, TP1 и NVIDIA GB10 с compute capability 12.1. Веса распространяются по Qwen Community License 1.0.

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

Qwen3.8-Flash-Next NVFP4 with NVFP4 PLE

This repository is a serving derivative of Inferact/Qwen3.8-Flash-Next-NVFP4. It keeps the ModelOpt NVFP4 backbone unchanged and converts only the BF16 position-learning enhancement (PLE) n-gram table to NVFP4.

This repository contains model weights and Hugging Face metadata only. It does not include runtime code, shell scripts, Docker files, or result artifacts.

The packed PLE format requires an external qwen38-nvfp4-ple runtime plugin. Stock vLLM and Transformers cannot load it. The checkpoint retains the original vision tower.

Storage

ArtifactExact bytesGiB
Source checkpoint payload182,738,792,440170.189
Source BF16 PLE table102,400,491,52095.368
Converted NVFP4 PLE table28,800,138,75226.822
Complete converted checkpoint109,138,439,672101.643

The conversion saves 73,600,352,768 bytes, or 68.546 GiB. It does not use REAP or remove experts.

Why this fits on one DGX Spark

This release targets one NVIDIA DGX Spark because its GB10 CPU and GPU share 128 GB of LPDDR5x unified system memory. NVIDIA documents the hardware and memory layout. The GPU executes the NVFP4 backbone. The plugin keeps the 26.822 GiB packed PLE table CPU-offloaded and decodes only requested rows to BF16. Both allocations draw from the same physical memory pool.

In a measured full multimodal TP1 run, vLLM reported 73.97 GiB during model loading and reserved a 2 GiB KV cache. The vision tower added 0.85 GiB over text-only serving. The PLE worker has been tested only with vLLM's mp executor at TP1.

API startup took about 639 seconds. After image and text requests, the host had 19.8 GiB available with 14.0 GiB of system-wide swap in use. The default 4,096-token context, single sequence, and 2 GiB KV cache are conservative. This demonstrates fit; it is not a throughput claim.

External runtime contract

ComponentRequired or tested value
vLLM imagevllm/vllm-openai:qwen38-flash-next@sha256:fc120ece0a388cc0aa1caad4a9f1cd92113484ab7ec2fd0efadd62585be05bf8
vLLM version0.1.dev20073+g8e685d198
PLE modeCPU offload with BF16 lookup output
Serving modelFull Qwen4ExpForConditionalGeneration wrapper
Multimodal limitsOne image, no video, 65,536-to-262,144-pixel budget
Executormp, including at TP1
Validated GPUNVIDIA GB10, compute capability 12.1

The pinned vLLM uni executor does not spawn the PLE CPU worker. The external plugin must select mp and register itself inside vLLM's special PLE subprocess.

PLE format

Format qwen38-nvfp4-ple-v1 stores each group of 16 values as packed E2M1 values, one E4M3 block scale, and one FP32 global decode scale per source PLE shard. The runtime gathers only requested rows and decodes those rows to BF16. It never expands the complete table.

Evaluation

A controlled teacher-forced study used 32 calibration prompts and eight held- out prompts, covering 236 next-token positions. The executable reference was the official FP8 backbone with normal PLE behavior.

These measurements isolate changes to the PLE representation. They do not measure the separate quality difference between the Inferact NVFP4 backbone and the original model. This uploaded checkpoint uses the first row below; the REAP rows are comparison experiments only.

PerturbationTop-1 agreementReference top-1 in candidate top-5KL, natsNLL delta, natsLogit cosine
NVFP4 PLE only91.525%100.000%0.015591+0.0194420.995399
REAP only, 25% experts removed87.712%100.000%0.042569+0.0436680.991027
REAP and NVFP4 PLE91.102%99.576%0.040298+0.0405450.990824

The converted checkpoint passed text-only and full multimodal vLLM smoke tests. The multimodal run loaded the vision tower and served PNG inputs. With a neutral prompt, it correctly identified a generated Moon scene, Earth, casual clothing, and the absence of a spacesuit.

Limits

  • The alignment study is not a task-quality benchmark.
  • The runtime checks are smoke tests, not throughput or vision benchmarks.
  • Long-context, concurrent-request, tensor-parallel, and expert-parallel paths have not been validated.
  • The validated image path accepts one image within the default pixel budget. Video is disabled by default and has not been validated.
  • The source MTP weights remain in the checkpoint, but the validated runtime did not enable MTP.
  • The tested host had system-wide swap in use after inference.
  • The PLE decoder uses ordinary PyTorch CPU operations. A fused decoder could reduce lookup latency.

Provenance and license

The backbone comes from Inferact/Qwen3.8-Flash-Next-NVFP4, which derives from Qwen/Qwen3.8-Flash-Next. Only the PLE representation changed here.

The model weights remain under the Qwen Community License 1.0 in LICENSE.

Как запустить

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

GPU в ailist

Универсальный рантайм · vllm

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen4ExpForConditionalGeneration
Ревизия весов
48d9819

0 моделей