Orrialde hau ere eskuragarri dago

Hasiera › Bilaketa eta ikerketa › Qwen3.8-Flash-Next-FP4-Local

Modeloa

Qwen3.8-Flash-Next-FP4-Local

nvidia/Qwen3.8-Flash-Next-FP4-Local

Bilaketa eta ikerketa Iturburua: Hugging Face modeloakPuntuazioa 0.4joera 198 (200 like)· Lehen zerrendatuta 2026(e)ko urr. 17(a)

Bisitatu Qwen3.8-Flash-Next-FP4-Local webgunea / proiektu-orria →

Zer da Qwen3.8-Flash-Next-FP4-Local

NVIDIAk argitaratutako Qwen3.8B Flash Next FP4 kuantizazio-bertsioa, lokalean exekutatzeko hizkuntza-eredu handi arina.

Ezaugarri nagusiak

  • Qwen3.8B Flash Next-en FP4 kuantizazio-bertsioa, lokalean exekuzioa onartzen du
  • Quantisation-Aware Distillation (QAD) teknologiaren bidez kuantizatu da
  • Ikusmen-kodekaria, arreta hibridoa, MoE, ateatutako hondar-korronteak eta n-grama kapsulaketak onartzen ditu
  • vLLM edukiontzi bat eskaintzen du NVFP4 konpresio-formatu galgabetu berria onartzeko

Nori zuzenduta dago

Garatzaile eta ikertzaileak behar dutenak multimodal hizkuntza-eredu handi arinak NVIDIA hardware lokalean (RTX PRO 6000 Blackwell edo DGX Spark bezalakoak) zabaldu eta exekutatzeko.

Nola hasi

  1. Bisitatu https://huggingface.co/nvidia/Qwen3.8-Flash-Next-FP4-Local modeloaren pisuak deskargatzeko
  2. Exekutatu modeloa READMEan emandako vLLM edukiontzia erabiliz
  3. Zabaldu onartutako NVIDIA RTX PRO 6000 Blackwell edo DGX Spark hardwarean

Tresnaren webgune ofizialean / READMEan / abiarazte-orrian dauden deskribapen publikoetatik bilduta. Prezioak eta erabiltzaile-kopuruak ez dira egiaztatu; egiaztatu webgune ofiziala. Atal batzuk AI laguntzarekin idatzi ziren. Txineraz eta ingelesez idatzia; beste hizkuntzak makinaz itzulita daude.

Antzeko alternatibak (Bilaketa eta ikerketa)

Eskuratu “AI Hot List-en aipatua” domina · Bidali tresna bat

← Itzuli “Bilaketa eta ikerketa”(e)ra · Zerrenda bero osoa · Erabilera-kasen zerrendak