Qwen/Qwen3.8-2.4T-A95B-FP8
Modelo de geração de texto · 95 B de parâmetros · MoE — 14.6 mil downloads e 229 curtidas no Hugging Face.
O modelo Qwen/Qwen3.8-2.4T-A95B-FP8 aparece entre os mais comentados do Hugging Face — um termômetro do que a comunidade está realmente usando agora na tarefa de geração de texto.
Ficha técnica
- Tarefa: geração de texto
- Parâmetros: 95 B (arquitetura MoE)
- Biblioteca:
transformers - Formatos: safetensors, FP8
- Licença: proprietária / outra
- Downloads: 14.6 mil · Curtidas: 229
Hardware recomendado
Estimativa de VRAM só para carregar os pesos (com ~20% de folga para ativações). Contextos longos consomem memória adicional para o cache de atenção (KV cache).
- Precisão original (16-bit): ~228 GB de VRAM — cluster — ~3× GPU de 80 GB (A100/H100)
- Quantizado 8-bit: ~114 GB de VRAM — cluster — ~2× GPU de 80 GB (A100/H100)
- Quantizado 4-bit: ~57 GB de VRAM — 1 GPU de data center (80 GB, ex. A100/H100)
Por ser um modelo MoE (mixture-of-experts), todos os pesos precisam caber na memória, mas só uma fração é ativada por token — a inferência roda mais rápido do que o tamanho total sugere.
Como rodar localmente
Carregue com a transformers usando o template de chat:
pip install -U transformers accelerate torch
from transformers import AutoModelForCausalLM, AutoTokenizer
model_id = "Qwen/Qwen3.8-2.4T-A95B-FP8"
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
model_id, torch_dtype="auto", device_map="auto"
)
msgs = [{"role": "user", "content": "Explique o que é entropia."}]
inputs = tok.apply_chat_template(
msgs, add_generation_prompt=True, return_tensors="pt"
).to(model.device)
out = model.generate(inputs, max_new_tokens=256)
print(tok.decode(out[0][inputs.shape[-1]:], skip_special_tokens=True))Para servir como API (recomendado para modelos grandes), use o vLLM:
pip install vllm
vllm serve Qwen/Qwen3.8-2.4T-A95B-FP8Tags
transformers safetensors qwen3_5_moe_text text-generation conversational fp8
