Характеристики

Контекст: 262 144 токена
Параметры: 2,3 млрд
Лицензия: Apache 2.0
Архитектура: qwen3_next · MoE
Базовая модель: Qwen3-Coder-Next-NVFP4-GB10
Библиотека: transformers
Опубликована: 29 апр 2026

Ссылки

Qwen3-Coder-Next-NVFP4-GB10

Генерация текстаТекст → текст10 профессий

ucbye/Qwen3-Coder-Next-NVFP4-GB10 — публичное зеркало квантизированной модели saricles/Qwen3-Coder-Next-NVFP4-GB10, основанной на Qwen3-Coder-Next от Alibaba и команды Qwen.

3 875скачиваний за 30 дней5лайковвеса обновлены29 апр 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.

Добавьте модель в бенчмарк
Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Запустите и опубликуйте
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Открыть конструктор бенчмарка

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 предназначена прежде всего для генерации и анализа программного кода, а также для сценариев развертывания LLM на системах DGX Spark с GPU GB10. В README указано, что веса байт-в-байт идентичны исходной квантизации, а зеркало предоставляет стабильную и неконтролируемую версию для проекта развертывания qwen3-coder-next.

Архитектура qwen3_next сочетает линейное внимание DeltaNet, полноразмерное внимание и латентный MoE. Модель содержит 48 слоев, включая 36 слоев с линейным вниманием и 12 слоев с полным вниманием, 79,7 млрд параметров при примерно 3 млрд активных параметров на токен, 512 экспертов, из которых активируются 10 совместно с одним общим экспертом. Используется 4-битная NVFP4-квантизация через compressed-tensors; отдельные компоненты сохранены в BF16. Максимальная длина контекста составляет 262 144 токена, заявленный язык — английский. Размер модели на диске — около 45,9 ГБ.

Сильные стороны модели — большой контекст, низкое число активных параметров на токен, сниженные требования к памяти и отсутствие KV-кэша у слоев DeltaNet. На DGX Spark заявлена скорость около 61 токена в секунду для одного запроса и поддержка примерно пяти одновременных сессий при контексте 262K с FP8 KV-кэшем. Ограничения включают зависимость производительности от совместимого оборудования и настроек vLLM, а также потери точности, возможные из-за агрессивной 4-битной квантизации. Модель распространяется по лицензии Apache-2.0, унаследованной от базовой модели; перераспределение разрешено.

Для каких профессий подходит10

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.2Разработка и данныеСоздание и понимание программного кодаAI помогает писать, объяснять и связывать программный код с требованиями и существующей системой.20 задач21 443модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.3Разработка и данныеРефакторинг, миграция и модернизацияAI помогает улучшать структуру программ и переносить их на новые технологии без потери поведения.20 задач9 764модели II.4Разработка и данныеОтладка, тестирование и качество ПОAI помогает находить дефекты, строить проверки и повышать надёжность программного продукта.25 задач13 978моделей

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

gdubicki/Qwen3-Coder-Next-NVFP4-GB10

Public mirror of saricles/Qwen3-Coder-Next-NVFP4-GB10.

Weights are byte-identical to the upstream quant (config.json and model.safetensors.index.json SHA-256 verified). This mirror exists to provide a pinned, stable, ungated reference for the qwen3-coder-next deployment project on DGX Spark (GB10). Use the upstream repo if you want to track author updates.

Credits

Base model: Qwen/Qwen3-Coder-Next by Alibaba / Qwen team (Apache-2.0)
NVFP4 quantization: saricles using LLM Compressor with LLMCOMPRESSOR_MOE_CALIBRATE_ALL_EXPERTS=1 (all 512 experts calibrated)
Calibration data: HuggingFaceH4/ultrachat_200k (64 samples × 2048 tok)
License: Apache-2.0 (inherited from base model; redistribution permitted)

Model details

Architecture: qwen3_next — Hybrid DeltaNet linear attention + full attention + latent MoE
Layers: 48 total (36 DeltaNet linear-attention, 12 full-attention)
Parameters: 79.7B total, ~3B active per token (512 experts, 10 active + 1 shared)
Quantization: NVFP4 via compressed-tensors; lm_head, embed_tokens, linear_attn layers, mlp.gate, mlp.shared_expert_gate kept in BF16
Size on disk: 45.9 GB (70% reduction from ~149 GB BF16)
KV cache: FP8 (12 full-attention layers only; DeltaNet has no KV cache)
Max context: 262,144 tokens

Verified performance

Measured on DGX Spark (GB10 Blackwell, SM12.1, 128 GB unified LPDDR5X) with vLLM (Marlin NVFP4, FP8 KV cache):

Metric	Value
Throughput (single request)	~61 tok/s
KV cache concurrency @ 262K	~5 concurrent sessions (DeltaNet has no KV cache → 31.65× vs a pure-attention 80B model)

Same decode throughput as Nemotron-3-Nano-30B-A3B-NVFP4 (both 3B active), but with a native 262K context window.

Usage

docker run --rm --runtime=nvidia --gpus all \
  -p 8000:8000 \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  -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 \
  vllm/vllm-openai:cu130-nightly \
  gdubicki/Qwen3-Coder-Next-NVFP4-GB10 \
  --dtype auto \
  --kv-cache-dtype fp8 \
  --gpu-memory-utilization 0.90 \
  --max-model-len 262144 \
  --attention-backend flashinfer \
  --tool-call-parser qwen3_coder \
  --enable-chunked-prefill \
  --enable-prefix-caching

Full deployment scripts: https://github.com/grzegorzdubicki-ai/qwen3-coder-next

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры: Qwen3NextForCausalLM
Ревизия весов: f631484