ryugyosoft/LFM2-8B-A1B-onw

LFM2-8B-A1B for onw — Intel NPU だけで動く

日本語 | English

LiquidAI/LFM2-8B-A1B を **onw**（俺のNPUがこんなに動くわけない）用に変換したモデルです。onw は LLM を Intel NPU だけで動かすエンジンで、このリポジトリにはモデルだけが入っています（エンジンは別にダウンロードします）。

総パラメータ 8.3B、1 トークンあたり約 1.5B が動く MoE（32 エキスパートから 4 個を選択）。16 GB の PC でも動く、onw で一番速いモデルです。Ubuntu では NPU ドライバー（linux-npu-driver）1.38 以降が必要です（古いドライバーでは回答が途中から空になります）。

私たちの知る限り、MoE のエキスパート計算を NPU で行う公開実装は onw が初めてです（2026 年 9 月、Fable 5.1 調べ。OpenVINO 公式は LFM2-8B-A1B を CPU・GPU のみ対応としています）。

NPU 3720（Core Ultra 9 285HX）
入力	テキスト
生成速度	16〜17 tok/s（コード修正・要約など元の文章を再利用する回答は先読み検証で 29〜43 tok/s）
プロンプト処理	113 トークンで約 1.7 秒
ダウンロード	4.0 GB
使用メモリ（読み込み後の作業セット）	約 5 GB
初回起動（NPU 向けコンパイル）／2 回目以降	約 1.5 分／約 20 秒

使い方

1. onw（エンジン）を入れます。 まだの場合は、onw の「はじめに」 のとおり 1 行貼るだけです。Windows はスタートメニューで「PowerShell」を開き、次の 1 行を貼って Enter（Ubuntu は onw の README の curl ... | bash）。

   irm https://huggingface.co/ryugyosoft/onw/resolve/main/install.ps1 | iex
   

2. タスクトレイの onw アイコンから開く onw ウィンドウ の「モデル」タブで LFM2-8B-A1B を選び、「ダウンロード」を押します（4.0 GB）。

3. 「サーバー」タブで「起動」を押します。初回だけ NPU 向けの準備に約 1.5 分かかります。

4. 「チャットを開く」ですぐ試せます。他のアプリからは OpenAI 互換 API として使えます（base URL は http://localhost:8000/v1）。

from openai import OpenAI
c = OpenAI(base_url="http://localhost:8000/v1", api_key="none")
r = c.chat.completions.create(model="LFM2-8B-A1B-onw", messages=[{"role": "user", "content": "こんにちは"}])
print(r.choices[0].message.content)

上級者向け：hf download ryugyosoft/LFM2-8B-A1B-onw で取得したフォルダを onw serve フォルダ で起動することもできます。Git LFS なしの git clone では重みが入らないので使わないでください（onw が検出して止めます）。

バージョン

• v2（現在）：セグメントの重みを 1 トークン用と 16 トークン用で共有（4.2 → 4.0 GB）。モデルの 86% を占めるエキスパートはチャネル単位 INT4 のまま。半分に刈り込むとパープレキシティが +35% 悪化するため、このモデルは刈り込んでいません。 onw 0.3 以降が必要です。
• v1：hf download ryugyosoft/LFM2-8B-A1B-onw --revision v1 --local-dir ... で取り出せます。

ダウンロード量の削減の大半は同じ重みを 1 つにまとめたことによるもので、実行時は NPU がブロックサイズごとにコンパイル済みの重みを持つため、使用メモリの減り方は小さめです。

仕組み

• 23 区間＋出力層の区間。各ルーターの直後で区切り、ホストが上位 4 個のエキスパートの重みバッファを次の区間に結び付けます（コピーなし。704 個のエキスパートはすべて NPU から見えるメモリ上）。
• エキスパートは 1 エキスパート 1 テンソルに詰めたチャネル単位 INT4。実行時に渡す重みを NPU が全速で扱える唯一の形です。
• 詳しくは onw の README。

ファイル

ファイル	内容
seg*_S1.xml, seg*_S16.xml + seg*.bin	23 区間＋出力層（1 トークン用・16 トークン用のグラフ、重みは区間ごとに 1 ファイル）
experts.bin (+ .json)	22 層 × 32 エキスパート、チャネル単位 INT4
shared.bin (+ .json)	INT8 の埋め込み（出力層と共有）
engine.json、トークナイザー／設定ファイル	onw 用のメタデータ、元のリポジトリの設定

品質

エキスパートなどはチャネル単位・グループ単位の INT4（四捨五入量子化）です。確認した範囲では最初のトークンの予測は bf16 と一致し、回答は自然ですが、数トークン先から言い回しが元のモデルと分かれることがあります。

ライセンス

LFM Open License v1.0（元モデルと同じ。商用利用の売上上限に注意）。変更点：重みの再量子化（INT4／INT8）と OpenVINO グラフへの再構成。学習はしていません。