/ Модель

Характеристики

Контекст
262 144 токена
Параметры
886 млн
Лицензия
MIT
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
28 июн 2026

AEON-DFlash-Qwen3.6-35B-A3B

Генерация текстаТекст → текст3 профессии

Черновая модель AEON-7 для спекулятивного декодирования DFlash, ускоряющая генерацию Qwen3.6-35B-A3B и совместимых производных в vLLM.

7 155скачиваний за 30 дней3лайкавеса обновлены6 окт 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

AEON-7 разработала AEON DFlash — черновую модель для ускорения генерации методом спекулятивного декодирования DFlash с целевой моделью Qwen3.6-35B-A3B и её производными, включая Ornith-1.0-35B-AEON-Ultimate. Это компактная модель примерно на 886 млн параметров, построенная на архитектуре Qwen3 и содержащая восемь слоёв полного внимания без скользящего окна. Она использует скрытые состояния целевой модели на слоях 1, 10, 19, 28 и 37.

Модель предназначена для ускорения авторегрессионной генерации в совместимых развёртываниях vLLM, в частности на DGX Spark с GB10. В описанном тесте на Ornith NVFP4 указана скорость около 1,9 раза выше обычного декодирования; целевая модель проверяет каждый предложенный токен, поэтому результат декодирования остаётся точным. README сообщает о совместимости со штатным образом AEON vLLM без патча для размера KV-страниц. Лицензия — MIT.

Это специализированный компонент для спекулятивного декодирования, а не самостоятельная модель для диалога или генерации ответов. Для DFlash на DGX Spark README рекомендует ограничить max-num-seqs значением 16 из-за ограничений унифицированной памяти; заявленные показатели производительности относятся к конкретной конфигурации тестирования.

Сценарии применения

  • ускорение генерации текста моделью Qwen3.6-35B-A3B
  • спекулятивное декодирование модели Ornith в vLLM
  • развёртывание DFlash на DGX Spark с GB10
  • ускорение генерации в совместимом стеке AEON vLLM

Ограничения

Модель предназначена для использования как черновой компонент DFlash с совместимой целевой моделью, а не как самостоятельная языковая модель. На DGX Spark README рекомендует max-num-seqs не выше 16; показатели скорости приведены для конкретной конфигурации и могут отличаться в других условиях.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AEON DFlash — Qwen3.6 / Ornith 35B-A3B

AEON Qwen — Supreme Being of the Digital Cosmos

A DFlash speculative-decoding drafter for Qwen/Qwen3.6-35B-A3B and its derivatives — including Ornith-1.0-35B-AEON-Ultimate-Uncensored (a light RL post-train of that base). ~0.9 GB. Gives ~1.9× single-stream decode on a DGX Spark with no quality loss (lossless speculative decoding: the target model verifies every token).

What makes it different

This drafter is 8 layers of full attention — deliberately no sliding-window attention (SWA). That single design choice is the difference:

This drafter (AEON)Typical SWA drafter (e.g. z-lab)
Layers8 × full attention6 × (5 sliding + 1 full), window 4096
KV page sizealigns with the target's pageslarger (windowed) → mismatch
Serves on the AEON vLLM imageyes, no patchneeds a kv_cache_utils patch

Why the no-patch part matters. Qwen3.6-35B-A3B / Ornith is a hybrid stack — full attention + GatedDeltaNet (Mamba) recurrent state. vLLM unifies KV-cache page sizes across layer types by scaling block_size, but Mamba/GDN state pages are shape-based and don't scale. A drafter with SWA layers introduces a larger KV page that can't be reconciled with the GDN pages → vLLM aborts at engine init with unify_kv_cache_spec_page_size … AssertionError (see issue #1). An all-full-attention drafter has no oversized page, so it loads cleanly on the stock AEON image — a true drop-in.

It also targets the right hidden states for this stack: DFlash reads target layers [1, 10, 19, 28, 37] of the 40-layer 35B-A3B model.

A note on KV cache (and why SWA doesn't help here)

This model serves with BF16 KV cache, and a sliding-window drafter does not change that. The BF16-KV requirement comes from two places, neither of which is the drafter's window type:

  1. the vision tower (non-causal vision attention → FA2 backend only → no FP8 KV), and
  2. DFlash's non-causal verification (block-parallel → FA2/FLEX only → no FP8 KV).

KV dtype is a property of the main model's attention backend, not the drafter's layers. SWA changes the drafter's own (tiny, windowed) KV footprint only — it can't unlock FP8 KV for the target.

Usage

Point any Qwen3.6-35B-A3B / Ornith deploy's --speculative-config at this drafter:

  --speculative-config '{"method":"dflash","model":"/drafter","num_speculative_tokens":6}'

Validated on a DGX Spark (GB10) with the Ornith NVFP4 QuickStart. ⚠️ Keep --max-num-seqs ≤ 16 with DFlash on the Spark (unified-memory limit — see the QuickStart).

Performance

Head-to-head on Ornith-1.0-35B NVFP4 (DGX Spark GB10 · n=6 · max-num-seqs 16 · single stream):

Drafterc=1 decodeAccept lengthDraft accept ratePatch needed
AEON (8L full-attn) — this repo72.9 tok/s3.7145.1%none
z-lab (6L SWA)74.4 tok/s3.3539.2%KV page-size hotfix

Speed is effectively tied (c=1 within ~2% — noise; this drafter is slightly ahead at c=8 aggregate). This drafter wins on acceptance — its 8 full-attention layers draft more accurately (3.71 vs 3.35 tokens accepted per step; 45% vs 39%) than the SWA variant's 6 layers, which trade accuracy for a cheaper forward pass. Combined with no patch required and no padded-Mamba-page overhead, it's the recommended default. Both are lossless (the target verifies every token); ~1.9× over plain decode either way.

Support the work

AEON-7 models, drafters and tools are built and trained independently, on my own hardware. If they're useful to you, please consider supporting development:

Become a member on Patreon → patreon.com/cw/AeonForge7/membership

Milestones unlock bigger work: reaching 500 paid supporters will fund fine-tuning larger models and bigger project releases. Supporters also get early access to new releases, such as the AEON DFlash2 drafter.

Credits

  • Drafter: AEON-7. Method: DFlash speculative decoding.
  • KV page-size diagnosis + the patch for SWA-drafter compatibility: @newjordan (issue #1 / PR #2).

License: MIT.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
DFlashDraftModel
Ревизия весов
49604b3

0 моделей