Qwen3.8-Flash-Next
关于 Qwen3.8-Flash-Next 的完整介绍（点开看；上面就是结论表）
本条目要写清两笔账——权重本体 vs offload 表。① 权重本体：125B MoE 骨干（config 一手核到 48 层 / 512 专家激活 10 / 每 token 约 6B 激活 / GQA 2KV 头 / head_dim 256 / 262144 ctx），HF 张量总量 180B（BF16，config+API 核到），其中骨干约 125B；许可 Qwen Community License 1.0（非 Apache，商用受限条款见 LICENSE）。② 可 offload 的 n-gram 表：config 的 ngram_vocab_size_base 20,000,000 × ple_embed_dim 2560 = 51.2B 参数的 n-gram 嵌入表（PLE），这一整块不必须驻显存——可 offload 到系统内存甚至 SSD（「显存不够硬盘来凑」的三级 offload 路线，参考实现见 /tools/strataforge/）。两笔账分开算：Q4 档骨干约 74GB 仍需 3×24G 起；IQ2_XS 档社区实测可压到 68GB（llama.cpp 定制分支 Betelgeuse，3060 12G + 16G 内存跑通，decode 22 tok/s——社区单源口径，本站未复现）。KV 极便宜：48 层里只有 12 层全注意力（36 层线性不存 KV），每 4K 只 0.094G，262K 全量上下文 KV 约 6G，不是显存瓶颈。结论：这不是「单张消费卡」的模型，是「大内存 + 低精度 + offload」路线的门槛样本——把它收进清单是为了「125B 到底要多少硬件」这个问题有人能答，不是推荐 8G/16G 卡去跑。多模态（config 带视觉塔），官方自述 YaRN 可外推 1M 但不算原生 262K。
实测速度：什么卡、什么量化、多少 token
| 显卡 | 卡数 | 量化 | 上下文 | 框架 / 版本 | decode tok/s | prefill tok/s | 单流/并发 | 投机 | 口径 | 来源 |
|---|---|---|---|---|---|---|---|---|---|---|
| NVIDIA RTX 3090 24G | 4 卡（互联未报） | UD-IQ3_XXS | 128K | llama.cpp（unsloth PR #27742 分支，day-0 qwen4exp 支持） · unslothai/llama.cpp PR #27742（2026-08-26 day-0 fork） | 43 | 未报 | 单流 | 无 | 口径不全·不进对比 缺 2 项 | Qwen3.8-Flash-Next — Full Fleet Deployment (Day-0)，tonyd2wild，2026-08-26 tonyd2wild（2Wild fleet / @Tech2Wild） · 2026-08-26 |
| NVIDIA DGX Spark 128G | 2 卡（互联未报） | NVFP4 | 256K | SGLang（TP2，speculative NEXTN/MTP4 + CUDA graphs） · SGLang day-0 镜像 + SM121 kernel 单行补丁（2026-08-26） | 50 | 未报 | 单流 | 开（接受率 1） | 口径不全·不进对比 缺 2 项 | Qwen3.8-Flash-Next — Full Fleet Deployment (Day-0)，tonyd2wild，2026-08-26 tonyd2wild（2Wild fleet / @Tech2Wild） · 2026-08-26 |
每行是一次真实测量的完整口径：哪张卡、几张卡、什么量化、多大上下文、哪个框架哪个版本、单流还是并发、开没开投机—— 缺一项就会标出来，缺项的行不参与对比与偏差计算。本站实测行没有外链，但日志路径就是原始数据所在。 想看同一张卡跑别的模型，从这个表的显卡名点进那张卡的页面。
速查：什么卡、跑多少 token
推算值按 IQ4_XS、8K 上下文、单流；真实测量看下面的实测速度表。没有实测的模型这里只有推算，本站不把推算写成实测。
架构常数（已核实）
来源：Qwen/Qwen3.8-Flash-Next / config.json（抓取于 2026-11-08）。KV 公式：2 × 层数 × KV头数 × 头维 × 精度字节 × token（滑窗层按 — 封顶）。
上下文档位（按 IQ4_XS）
| 上下文 | KV | 总需显存 | 16G 水位内 |
|---|---|---|---|
| 4K | 0.09 G | 67.5 G | 超 |
| 8K | 0.19 G | 67.6 G | 超 |
| 32K | 0.75 G | 68.2 G | 超 |
| 128K | 3 G | 70.4 G | 超 |
* 含 1G 框架开销；可用水位按 Windows 口径 88% = 14.1G。
各显存档位能开多大
| 显存 | 推荐量化 | 8K 总需 | 最多可开 |
|---|---|---|---|
| 4G | 装不下 | — | — |
| 6G | 装不下 | — | — |
| 8G | 装不下 | — | — |
| 10G | 装不下 | — | — |
| 11G | 装不下 | — | — |
| 12G | 装不下 | — | — |
| 16G | 装不下 | — | — |
| 20G | 装不下 | — | — |
| 22G | 装不下 | — | — |
| 24G | 装不下 | — | — |
| 32G | 装不下 | — | — |
| 48G | 装不下 | — | — |
| 64G | 装不下 | — | — |
| 96G | Q4_K_M（估算） | 76.2G | 262144（约 256K） |
| 128G | Q6_K（估算） | 103.7G | 262144（约 256K） |
| 256G | Q8_0（估算） | 134G | 262144（约 256K） |
| 512G | Q8_0（估算） | 134G | 262144（约 256K） |
「最多可开」已扣掉权重与 1G 开销；标注为「模型原生上限」时表示显存还有余但模型只支持这么长。净可用还要再减聊天模板与系统提示词的 250 token（估算值，未逐项核实）。量化档后带「（估算）」= 官方仓库没核到这档、按公式算的权重体积（方向保守偏高）；不带 = 核过官方仓库真实文件体积。
估算速度（IQ4_XS · 8K）
推算 本站暂无这一模型的实测记录。
| 显卡 | 状态 | 估算 tok/s |
|---|---|---|
| NVIDIA RTX 5090 32G | 装不下 | 需 offload ≈8–13 |
| NVIDIA RTX 5090 D 32G | 装不下 | 需 offload ≈8–13 |
| NVIDIA CMP 170HX 64G（矿卡魔改） | 装不下 | 需 offload ≈8–13 |
| NVIDIA RTX PRO 5000 Blackwell 48G（工作站） | 装不下 | 需 offload ≈8–13 |
| AMD Instinct MI100 32G（老数据中心卡） | 装不下 | 需 offload ≈8–13 |
| AMD Instinct MI50 32G（数据卡） | 装不下 | 需 offload ≈8–13 |
| AMD Radeon VII 16G | 装不下 | 需 offload ≈8–13 |
| NVIDIA RTX 4090 24G | 装不下 | 需 offload ≈8–13 |
| NVIDIA RTX 3090 Ti 24G | 装不下 | 需 offload ≈8–13 |
同一套公式也用于显卡页，两页数字必然一致。带宽按 60–85% 效率折算（offload 场景更低），并对单流解码设经验上限，因此这里的数字比纯带宽公式保守。 总需显存 = 67.6G，对比各卡可用水位。
实测数据区
上传实测数据
推理框架命令
llama.cpp
# 1) 取 GGUF 权重（本站核实过的仓库名）
huggingface-cli download Qwen/Qwen3.8-Flash-Next config.json
# GGUF 量化版通常在第三方转换仓库，搜「Qwen/Qwen3.8-Flash-Next GGUF」
# 2) 起服务（Linux/macOS 用 ./llama-server，Windows 用 llama-server.exe）
llama-server -m QWEN3-8-FLASH-NEXT-Q4_K_M.gguf -ngl 99 -c 8192 --port 8080
# MoE：想让专家留在内存以塞更大模型，加 --n-cpu-moe（参数名随版本变，用 --help 确认）Ollama
# 本站没核实到 Ollama 仓库里有 Qwen3.8-Flash-Next 的可用标签，所以不给命令
# 自己去查一眼：https://ollama.com/search?q=Qwen3.8-Flash-Next宁可不给命令，也不给一条跑不通的命令——照抄未核实的标签是新手最常见的卡死原因。
vLLM
vLLM 直接吃 Hugging Face 仓库名，这条最可靠：
vllm serve Qwen/Qwen3.8-Flash-Next --max-model-len 8192 --gpu-memory-utilization 0.90LM Studio
模型页搜「Qwen/Qwen3.8-Flash-Next」→ 选 IQ4_XS 或 Q4_K_M → Load →
Chat Context Length 设 8192 → GPU Offload 拉到最大仓库名 Qwen/Qwen3.8-Flash-Next 是本站核实过的（架构常数就取自它）。Ollama 标签与 GGUF 文件名会随发布方变动，本站不保证一定存在，拉取失败请搜同名前缀。
优化要点
- Q4_K_M 权重 75G（估算）、Q6_K 102.5G（估算）、Q8_0 132.8G（估算）：带「估算」的是公式值（官方仓库没核到这档），不带的核过真实文件；先在容量表里确认 8K 上下文还剩多少，再决定档位
- 上下文从 8K 提到 32K，KV 增加约 0.6G（本模型 48 层 / 2 KV头 / 头维 256）
- 模型原生上下文上限是 256K，把 -c 设得更高属于超纲使用，质量不保证
- 想要更长上下文：-ctk q8_0 -ctv q8_0 让 KV 减半，几乎不掉质量
- MoE 速度按激活参数（本站用 6B）算，显存却必须装下全部 125B 专家；两者混用会得出完全错误的结论
- 本站对单流解码设了经验上限 200–200 tok/s（依带宽分档），超出上限的数字是公式失真而不是你的卡快