Kandandan/Qwen3.8-Flash-Next-MLX-4bit-MTP

Qwen3.8-Flash-Next MLX 4bit (v-l) + MTP サイドカー

Apple Silicon 向けの 4bit 変換に、MTP (Multi-Token Prediction) の重みを同梱したもの。 mlxturbo の flash_spec 経路で投機デコードが効きます。

素の mlx-lm でもテキスト生成として読めますが、その場合 MTP は使われません。

中身

アーキテクチャ	qwen4_exp (48 層、512 エキスパート / top_k 10、GDN ハイブリッド)
量子化	4bit affine、group_size 64
文脈長	262,144
MTP	mtp.safetensors (bf16, 5.2GB、深さ 1)
合計	約 77GB

n-gram (PLE) テーブルは本体に含めず、別サイドカーとして扱います。

使い方

pip install mlxturbo
mlxturbo-serve --model /path/to/this/repo --require-runner flash_spec --port 8765

mtp.safetensors が同じディレクトリにあるので、追加のフラグなしで MTP が自動発見されます。 --require-runner flash_spec を付けると、何らかの理由で投機が効かない構成のときに 黙って遅く動かず、起動を拒否します。

速度

M3 Max 128GB、貪欲、160 トークン × 10 課題での実測。

課題	受理率	対 非投機
散文 (英語 0.720 ± 0.046 / 日本語 0.682 ± 0.047)	約 0.70	約 1.39x
コード	0.564 ± 0.068	約 1.25x

非投機は 31.14 ms/token。効くかどうかは言語ではなく課題の種類で決まり、コードが最も低い (信頼区間が重ならない)。どの課題でも投機は効きます。

短い試行 (48 トークン) では言語差があるように見えますが、標準誤差が ±0.09 あり有意ではありません。

メモリ

77GB を常駐させるので、128GB 以上のマシンを想定しています。96GB 機では厳しく、 64GB 機では載りません。

ライセンス

元モデル Qwen/Qwen3.8-Flash-Next の Qwen Community License 1.0 を継承します。全文は同梱の LICENSE を参照してください。

月間アクティブユーザー 1 億超または月商 2,000 万ドル超の商用製品で使う場合はモデル名の 表示義務が、Model as a Service / AI Work Assistant 事業では別途 Qwen との契約が必要です。