𓌳 REAP𓌳 Эксперты: почему обрезка преобладает при однократном сжатии MoE Представляем Qwen3-Coder-REAP-363B-A35B-FP8, сжатый вариант Qwen3-Coder-480B-A35B-Instruct-FP8 с эффективным использованием памяти, который обеспечивает почти идентичную производительность, будучи на 25 % легче. Эта модель была создана с использованием REAP (router-weighted Expert Activation Pruning), нового метода сокращения экспертов, который выборочно удаляет лишних экспертов, сохраняя при этом независимый контроль маршрутизатора над оставшимися экспертами. Ключевые особенности: — Производительность почти без потерь: обеспечивает почти такую же точность генерации кода, агентного кодирования и задач вызова функций по сравнению с полной моделью 480B. — Сокращение памяти на 25 %: сжатие параметров с 480B до 363B, что значительно снижает затраты на развертывание и требования к памяти. — Сохраненные возможности: сохраняются все основные функции, включая генерацию кода, агентские рабочие процессы, понимание масштаба репозитория и вызов функций. — Совместимость с встраиваемыми модулями: Работает с ванильным vLLM — не требуется никаких модификаций исходного кода или пользовательских патчей — Оптимизировано для реального использования: особенно эффективно для сред с ограниченными ресурсами, локального развертывания и научных исследований 🟩 Это…
Модальности:
Генерация текста
Области применения:
Диалог / чат Генерация кода
Задача: Генерация текста
Автор: cerebras
Теги: qwen3_moe, qwen-coder, MOE, pruning, compression, conversational, en, endpoints_compatible
Лайков: 17 | Загрузок: 88
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.
