ryugyosoft/Qwen3.6-REAP-18B-A3B-onw

Qwen3.6-REAP-18B-A3B for onw — Intel NPU だけで動く（テキスト＋画像）

日本語 | English

**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）。

Qwen/Qwen3.6-35B-A3B の エキスパートを半分に刈り込んだ 版（各層 256 → 128 個、REAP 方式）。総パラメータ約 18B、1 トークンあたり約 3B が動きます。テキストと画像に対応。刈り込みなしの版は ryugyosoft/Qwen3.6-35B-A3B-onw。

私たちの知る限り、MoE と Gated DeltaNet を組み合わせたモデルを画像入力まで含めて NPU だけで動かす公開実装は onw が初めてです（2026 年 9 月、Fable 5.1 調べ）。16 GB の PC 向けに刈り込んだのがこの版です。

NPU 3720（Core Ultra 9 285HX）
入力	テキスト＋画像
生成速度	6.8 tok/s
プロンプト処理	画像＋質問 281 トークン：画像 0.5 秒＋処理 15 秒
ダウンロード	9.6 GB
使用メモリ（読み込み後の作業セット）	約 12 GB
初回起動（NPU 向けコンパイル）／2 回目以降	約 7 分／約 20 秒

対応 PC：NPU 付きの Intel Core Ultra（シリーズ 1／2：Meteor Lake・Arrow Lake・Lunar Lake、シリーズ 3：Panther Lake）、Windows 11 または Ubuntu 22.04 以降。上の数値はテスト機（NPU 3720）での実測で、NPU やメモリ量によって変わります。

使い方

1. onw（エンジン）を入れます。 まだの場合は、onw の「インストール」 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 Qwen3.6-REAP-18B-A3B を選び、「ダウンロード」を押します（9.6 GB）。

3. 「サーバー」タブでモデルを選んで「ロード」を押します。初回だけ NPU 向けの準備に約 7 分かかります。

4. 「チャット」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="Qwen3.6-REAP-18B-A3B-onw", messages=[{"role": "user", "content": "こんにちは"}])
print(r.choices[0].message.content)

上級者向け：hf download ryugyosoft/Qwen3.6-REAP-18B-A3B-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）。

刈り込み（REAP）

	この版（50% 刈り込み）	刈り込みなし
ダウンロード	9.6 GB	17 GB
使用メモリ（onw 0.7）	約 12 GB	約 20 GB
パープレキシティ（チャットデータ、bf16 基準）	14.30（+8.9%）	13.13
各層のエキスパート	128 個（8 個＋共有）	256 個（8 個＋共有）

REAP（Router-weighted Expert Activation Pruning）で、各エキスパートの寄与度を「そのエキスパートに振り分けられたトークンでの、ゲートの重み×出力の大きさの平均」として、日本語・英語・コードのチャット形式データ 16,000 トークン（databricks-dolly-15k-ja、databricks-dolly-15k、CodeAlpaca-20k）で測りました。各層で寄与度の低い 128 個をルーターの行ごと取り除き、残りに softmax が配分し直されます。再学習はしていません。同じ組み合わせの評価データでのパープレキシティは 13.13 → 13.31（75% 残し）→ 14.30（50% 残し）。

調整に使っていない分野や言語では、落ち方が大きい場合があります。約 12 GB（onw 0.7）なので 16 GB の PC でも収まる見込みです（16 GB 機での実測はまだ）。再現は python -m onw.prune calibrate ／ eval と onw convert --prune saliency.json --keep 0.5 で行えます。

仕組み

• 刈り込み版でも構造は刈り込みなし版と同じです（41 区間＋出力層、選ばれたエキスパートをホストが結び付ける方式）。
• エキスパートが 128 個になったため、16 トークンのプロンプト処理では全エキスパートを最初に結び付けたままにできます。
• 詳しくは onw の技術解説。

ファイル

ファイル	内容
seg*_S1.xml, seg*_S16.xml + seg*.bin	41 区間＋出力層（重みは区間ごとに 1 ファイル）
experts.bin (+ .json)	40 層 × 128 エキスパート、チャネル単位 INT4
vision.xml	INT8 の画像エンコーダー（512×512 → 256 トークン）
shared.bin	INT8 の出力層、INT4 の埋め込み
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

Apache 2.0（元モデルと同じ）。重みは元モデルから刈り込み・再量子化・再構成したものです。