/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5_moe · dense
Базовая модель
Nex-N2-mini
Библиотека
vllm
Опубликована
9 июн 2026

nex-n2-mini-nvfp4

Генерация текстаТекст → текст13 профессий

Квантованная в NVFP4 версия Nex-N2-mini для диалоговой генерации текста и обслуживания через vLLM на GPU NVIDIA Blackwell.

225скачиваний за 30 дней6лайковвеса обновлены9 июн 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

r0b0tlab выпустила Nex-N2-mini NVFP4 — квантованную версию языковой модели Nex-N2-mini, основанной на Qwen3.5-MoE. Модель содержит 35 млрд параметров, из которых активны 3 млрд; используется архитектура MoE с 256 экспертами и маршрутизацией top-8. Весовые матрицы экспертов квантованы в NVFP4 с помощью NVIDIA ModelOpt, а веса внимания, визуального энкодера и выходного слоя сохранены в BF16. Контрольные тесты возможностей прошли без потери качества, по данным авторов.

Модель предназначена для генерации текста и диалогового использования через vLLM. Вариант NVFP4 рассчитан на обслуживание на видеокартах NVIDIA Blackwell с поддержкой SM 12.1; README приводит результаты запуска на GB10. В базовой модели заявлены возможности программирования, вызова инструментов и выполнения продолжительных задач с обратной связью от среды. Языки карточки — английский и китайский; в чекпойнте также сохранён визуальный энкодер, но README не описывает конкретные сценарии обработки изображений.

Репозиторий распространяется по лицензии Apache-2.0. Практические ограничения — требование GPU Blackwell для NVFP4-ядер, минимальное значение max_num_batched_tokens 2096 и несколько минут профилирования визуального энкодера при первом запуске. NVFP4-кэш KV недоступен; для него в описанной конфигурации применяется FP8.

Сценарии применения

  • генерация ответов в диалоговом приложении
  • помощь с написанием и разбором кода
  • выполнение инструкций в агентном сценарии
  • вызов инструментов языковой моделью
  • развёртывание MoE-модели с уменьшенным объёмом весов на NVIDIA Blackwell

Ограничения

Для NVFP4-ядер требуется GPU NVIDIA Blackwell с SM 12.1; параметр max_num_batched_tokens должен быть не меньше 2096. Кэш KV в NVFP4 недоступен, а первое профилирование визуального энкодера занимает около 4–5 минут.

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

Nex-N2-mini NVFP4

NVFP4-quantized Nex-N2-mini (Qwen3.5-MoE-35B fine-tune) optimized for NVIDIA Blackwell (SM 12.1) serving via vLLM with FlashInfer CUTLASS kernels.

3.2× compression (70 GB BF16 → 22.1 GiB NVFP4) with zero quality loss on capability tests.

Quick Start (Docker)

The easiest way to serve this model — auto-downloads on first run:

docker run -d --name nex-n2-mini-nvfp4 \
  --gpus all \
  --shm-size=8g \
  -e HF_TOKEN=hf_xxxxx \
  -v nex-n2-model:/mnt/model \
  -p 8000:8000 \
  ghcr.io/r0b0tlab/nex-n2-mini-nvfp4:latest

Then query:

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{"model":"r0b0tlab/nex-n2-mini-nvfp4","messages":[{"role":"user","content":"Hello!"}],"max_tokens":100}'

Docker Compose:

echo "HF_TOKEN=hf_xxxxx" > .env
docker compose up -d

See the GitHub repo for full documentation, environment variables, and AGENTS.md.

Model Details

PropertyValue
Base modelNex-AGI/Nex-N2-mini
ArchitectureQwen3_5MoeForConditionalGeneration
Parameters35B total / 3B active (MoE, 256 experts, top-8 routing)
Layers40 (30 linear attention + 10 full attention)
Vocabulary248,320 tokens
Vision encoderViT (27 blocks, 1152 hidden) — kept BF16
Original size~70 GB (BF16)
NVFP4 size~22.1 GiB

Quantization

  • Method: NVFP4 via NVIDIA ModelOpt 0.44.0
  • Scope: MLP-only (expert projections + shared expert)
  • Group size: 16
  • Calibration: 128 samples from CNN/DailyMail
  • KV cache: FP8 e4m3 with per-layer calibrated scales
  • Expert calibration: 10,240/10,240 (100%)

Included in checkpoint:

  • NVFP4 quantized MoE weights (256 experts × 40 layers)
  • BF16 attention weights (self_attn, linear_attn)
  • BF16 vision encoder weights
  • BF16 lm_head.weight
  • Calibrated FP8 KV cache scales (k: 0.016–0.038, v: 0.010–0.040, q: 0.043)

Benchmarks

Tested on NVIDIA GB10 (Blackwell SM 12.1), vLLM v0.22.0, FlashInfer CUTLASS NVFP4.

Throughput (llama-benchy, 3 runs per test)

TestThroughputPeak t/s
pp20481,974 t/s—
tg12833.35 t/s38.33
pp2048 @ d40964,007 t/s—
pp2048 @ d81924,793 t/s—
pp2048 @ d163845,017 t/s—

Decode is rock-stable at 32–33 t/s across all context depths (0–16K). Only 2.8% degradation.

Concurrency Scaling

ConcurrencyAggregate t/sPer-request t/sPowerTemp
C128.528.620.4 W45°C
C251.625.818.4 W46°C
C4105.326.320.2 W47°C
C8185.523.222.1 W48°C

6.5× scaling at C8. 8.42 t/s/W efficiency. Peak 23.3W at 48°C.

Capability Tests: 13/13 Passed

Math (3/3), Reasoning (3/3), Coding (3/3), Knowledge (2/2), Instruction (2/2).

Serving Stack

  • vLLM v0.22.0 (Docker, aarch64)
  • FlashInfer CUTLASS NVFP4 GEMM kernel + MoE backend
  • FP8 KV cache with per-layer calibrated scales (~10–15% throughput improvement)

Known Issues

  • max_num_batched_tokens must be >= 2096 (Mamba block alignment)
  • NVFP4 KV cache unavailable (requires torch.nvfp4, NVIDIA-internal only)
  • Vision encoder profiling takes ~4–5 min on first startup
  • Requires NVIDIA Blackwell GPU (SM 12.1) for NVFP4 kernels

Links

License

Apache 2.0.

Как запустить

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

GPU в ailist

Универсальный рантайм · vllm

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5MoeForConditionalGeneration
Ревизия весов
4387675

0 моделей