Hasiera › Bilaketa eta ikerketa › Qwen3.8-Flash-Next-FP4-Local
Modeloa
Qwen3.8-Flash-Next-FP4-Local
nvidia/Qwen3.8-Flash-Next-FP4-Local
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
- Bisitatu https://huggingface.co/nvidia/Qwen3.8-Flash-Next-FP4-Local modeloaren pisuak deskargatzeko
- Exekutatu modeloa READMEan emandako vLLM edukiontzia erabiliz
- 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