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 |
使い方
- 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）。
powershell
irm https://huggingface.co/ryugyosoft/onw/resolve/main/install.ps1 | iex
- 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）。
- 「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。
- 「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。
