/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-Coder-Next
Библиотека
transformers
Опубликована
24 фев 2026

Qwen3-Coder-Next-NVFP4-GB10

Генерация текстаТекст → текст7 профессий

NVFP4-квантизация Qwen3-Coder-Next для генерации кода и диалоговой работы на NVIDIA DGX Spark и совместимых GPU Blackwell.

70 851скачиваний за 30 дней52лайкавеса обновлены1 мар 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

saricles/Qwen3-Coder-Next-NVFP4-GB10 — это 4-битная NVFP4-квантизация модели Qwen3-Coder-Next, подготовленная для NVIDIA DGX Spark с GB10. Базовая модель разработана Qwen; это языковая MoE-модель на 79,7 млрд параметров с 512 экспертами, из которых для каждого токена активны 10, и гибридной архитектурой DeltaNet и attention. Квантизацию после обучения выполнили с помощью LLM Compressor; часть слоёв оставлена в BF16, а большая часть весов, включая in_proj_qkvz, переведена в FP4.

Модель предназначена для генерации кода и диалогового использования в сценариях разработки. Карточка приводит результаты тестирования на одном DGX Spark с vLLM и сообщает о совместимости с другими видеокартами Blackwell, поддерживающими NVFP4. В описанном тестовом окружении вес модели занимал 42,7 ГиБ; гибридная архитектура обеспечивает заявленную автором стабильную скорость декодирования при увеличении контекста. В метаданных указан английский язык; размер нативного контекста не приведён. Репозиторий распространяется по лицензии Apache 2.0.

Сценарии применения

  • генерация кода по текстовому запросу
  • диалоговый помощник при разработке программ
  • запуск кодирующей модели на DGX Spark с ограниченной памятью
  • локальная генерация кода на GPU Blackwell с поддержкой NVFP4

Ограничения

Квантизация выполнена агрессивнее стандартных конфигураций NVFP4; README не приводит сравнения качества с полной точностью. Быстродействие и использование памяти измерены на DGX Spark с указанной конфигурацией vLLM, поэтому результаты могут отличаться на другом оборудовании.

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

Qwen3-Coder-Next-NVFP4-GB10

NVFP4 quantization of Qwen/Qwen3-Coder-Next for NVIDIA DGX Spark (GB10).

Qwen3-Coder-Next is a 79.7B-parameter MoE coding model (512 experts, 10 active per token) with hybrid DeltaNet+attention architecture. This quantization uses a GB10-tuned ignore list that quantizes more aggressively than standard NVFP4 configurations.

Model Details

Base ModelQwen/Qwen3-Coder-Next
ArchitectureQwen3NextForCausalLM (Hybrid MoE — DeltaNet + attention)
Total Parameters79.7B
Active Parameters~3B per token (512 experts, 10 active)
QuantizationNVFP4 (4-bit floating point) via LLM Compressor
Formatcompressed-tensors (safetensors), 10 shards
Size on Disk45.9 GB
Context Length262,144 tokens (262K)
LicenseApache 2.0

Quantization Details

  • Method: Post-training quantization via LLM Compressor
  • Calibration Dataset: HuggingFaceH4/ultrachat_200k (train_sft split)
  • Calibration Samples: 64
  • Max Sequence Length: 2048 tokens
  • Environment: LLMCOMPRESSOR_MOE_CALIBRATE_ALL_EXPERTS=1

Ignore List (layers kept in BF16)

lm_head
model.embed_tokens
re:.*linear_attn.conv1d
re:.*linear_attn.in_proj_ba
re:.*mlp.gate$
re:.*mlp.shared_expert_gate$

Everything else — including in_proj_qkvz — is quantized to FP4. On GB10's 221 GB/s bandwidth, the bandwidth savings from quantizing these layers outweigh the FP4 kernel dispatch overhead.

Performance (Single NVIDIA DGX Spark — GB10, 128 GB)

Benchmarked with llama-benchy v0.3.3, 3 runs per config.

PPTGPrefill (tok/s)Decode (tok/s)TTFT (ms)
5121282,02462.0285
5122562,52862.1206
10241283,26160.6319
10242563,35061.8309
40961283,98761.11,031
40962563,97161.11,035
MetricValue
Model memory42.7 GiB
KV cache61.7 GiB (1,346,432 tokens)
Concurrent sessions @ 262K~5
Concurrent sessions @ 65K~20

The hybrid DeltaNet+attention architecture means decode speed is constant regardless of context length — DeltaNet layers don't use KV cache.

Running on a Single DGX Spark

Docker image: avarok/dgx-vllm-nvfp4-kernel:v23 (vLLM 0.16.0-rc2, CUDA 13.0, SM 12.1)

Download the model:

huggingface-cli download saricles/Qwen3-Coder-Next-NVFP4-GB10 \
  --local-dir /opt/huggingface/models/Qwen3-Coder-Next-NVFP4-GB10

Launch:

docker run -d --name coder-next --gpus all --ipc=host --shm-size 32g \
  -v /opt/huggingface/models/Qwen3-Coder-Next-NVFP4-GB10:/models/Qwen3-Coder-Next-NVFP4-GB10 \
  -p 8000:8000 \
  -e VLLM_NVFP4_GEMM_BACKEND=marlin \
  -e VLLM_TEST_FORCE_FP8_MARLIN=1 \
  -e VLLM_USE_FLASHINFER_MOE_FP4=0 \
  -e VLLM_MARLIN_USE_ATOMIC_ADD=1 \
  -e MODEL=/models/Qwen3-Coder-Next-NVFP4-GB10 \
  -e PORT=8000 \
  -e MAX_MODEL_LEN=262144 \
  -e GPU_MEMORY_UTIL=0.90 \
  -e "VLLM_EXTRA_ARGS=--kv-cache-dtype fp8 --attention-backend flashinfer --enable-prefix-caching --enable-chunked-prefill --max-num-batched-tokens 8192 --max-num-seqs 64 --enable-auto-tool-choice --tool-call-parser qwen3_coder" \
  avarok/dgx-vllm-nvfp4-kernel:v23

Test it:

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "Qwen3-Coder-Next-NVFP4-GB10",
    "messages": [{"role": "user", "content": "Write a Python function to find the longest common subsequence"}],
    "temperature": 0.7,
    "max_tokens": 2048
  }'

Notes

  • At 42.7 GiB model weight + 0.90 GPU util, you get ~62 GiB for KV cache — enough for 5 concurrent 262K sessions.
  • gpu_memory_utilization=0.93 works but leaves very little system headroom. 0.90 is safer.
  • Decode speed is constant across context lengths thanks to the DeltaNet hybrid architecture.
  • Marlin backend is 15% faster than VLLM_CUTLASS for this model's 512 experts.

Target Hardware

Quantized and tested on NVIDIA DGX Spark (GB10, 128 GB unified memory, 221 GB/s bandwidth). Should work on other Blackwell GPUs with NVFP4 support.

Acknowledgments

Как запустить

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

GPU в ailist

vLLM

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
2e32c7d

0 моделей