/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
2,6 млрд
Лицензия
MIT
Архитектура
qwen3 · dense
Базовая модель
GLM-5.3
Библиотека
transformers
Опубликована
24 сен 2026

GLM-5.3-DSpark

Генерация текстаТекст → текст3 профессии

Черновая модель DSpark для спекулятивного декодирования, ускоряющего генерацию текста целевой моделью GLM-5.3.

536скачиваний за 30 дней0лайковвеса обновлены24 сен 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

GLM-5.3-DSpark — черновая модель ускорения генерации для GLM-5.3, опубликованная AlayaNeW. Это не самостоятельная языковая модель: её нужно запускать вместе с целевой GLM-5.3 или GLM-5.3-FP8 в SGLang либо vLLM с поддержкой DSpark. Модель использует алгоритм DSpark с параллельным черновым блоком, Markov head и confidence head; архитектура — Qwen3DSparkModel, плотная сеть на 2,6 млрд параметров с пятью слоями черновой модели.

Модель предназначена для спекулятивного декодирования, которое может повысить скорость генерации текста, в том числе кода и ответов на запросы. В README приведены результаты на тестах с разными длинами контекста и категориями задач; они получены на конфигурации из восьми NVIDIA H200 и не гарантируют аналогичную производительность в других условиях. Метаданные указывают контекст до 1 048 576 токенов и языки zh и en. Для работы требуются актуальная версия SGLang или vLLM с нативной поддержкой DSpark; черновая модель рассчитана только на GLM-5.3. Лицензия — MIT.

Сценарии применения

  • Ускорение генерации ответов GLM-5.3 в сервере SGLang
  • Ускорение генерации текста GLM-5.3 в vLLM
  • Ускорение генерации кода моделью GLM-5.3
  • Повышение пропускной способности сервиса генерации на базе GLM-5.3

Ограничения

Не является самостоятельной LLM и рассчитана только на работу с GLM-5.3 или GLM-5.3-FP8 в SGLang либо vLLM с поддержкой DSpark. Приведённые показатели производительности получены на конкретной аппаратной 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

GLM-5.3-DSpark

This repository releases a DSpark draft model for GLM-5.3. It is a speculator, not a standalone LLM: pair it with a GLM-5.3 target (BF16 or FP8) in SGLang or vLLM.

Architecture

FieldValue
ArchitectureQwen3DSparkModel (qwen3_dspark)
Draft layers5 (4× sliding attention + 1× full attention)
Hidden size / head dim6144 / 128
AttentionGQA, 64 Q heads, 16 KV heads
Sliding window2048
Block size $\gamma$8
Target layers (KV inject)[1, 20, 38, 56, 75] (GLM-5.3 has 78 layers)
Markov headvanilla, rank 256
Confidence headenabled (with Markov features)
Vocab154880 (same as GLM-5.3)
Precisionbfloat16

Quick Start

Requires a recent SGLang or vLLM build with native DSpark support. This draft is for GLM-5.3 only.

Serve with SGLang

export SGLANG_ENABLE_SPEC_V2=1

sglang serve \
  --model-path zai-org/GLM-5.3-FP8 \
  --trust-remote-code \
  --tp-size 8 \
  --reasoning-parser glm45 \
  --tool-call-parser glm47 \
  --context-length 202752 \
  --mem-fraction-static 0.83 \
  --cuda-graph-max-bs 256 \
  --max-running-requests 128 \
  --disable-shared-experts-fusion \
  --host 0.0.0.0 \
  --port 8100 \
  --speculative-algorithm DSPARK \
  --speculative-draft-model-path AlayaNeW/GLM-5.3-DSpark \
  --speculative-num-draft-tokens 9 \
  --speculative-dspark-block-size 8

--speculative-num-draft-tokens is block size + 1.

Serve with vLLM

export VLLM_USE_V2_MODEL_RUNNER=1

vllm serve zai-org/GLM-5.3-FP8 \
  --trust-remote-code \
  --kv-cache-dtype fp8 \
  --tensor-parallel-size 8 \
  --enable-expert-parallel \
  --tool-call-parser glm47 \
  --enable-auto-tool-choice \
  --reasoning-parser glm45 \
  --enable-prefix-caching \
  --max-model-len 202752 \
  --max-num-seqs 256 \
  --gpu-memory-utilization 0.90 \
  --max-cudagraph-capture-size 256 \
  --host 0.0.0.0 \
  --port 8100 \
  --served-model-name GLM-5.3 \
  --speculative-config '{
    "method": "dspark",
    "model": "AlayaNeW/GLM-5.3-DSpark",
    "num_speculative_tokens": 8,
    "draft_sample_method": "probabilistic",
    "kv_cache_dtype": "auto"
  }'

The draft is bf16 dense. Keep the draft KV cache dtype on auto so it does not inherit the target's FP8 MLA KV cache.

Call the server

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8100/v1", api_key="EMPTY")
resp = client.chat.completions.create(
    model="GLM-5.3",
    messages=[{"role": "user", "content": "Write a Python function that checks if a number is prime."}],
    max_tokens=1024,
    extra_body={"chat_template_kwargs": {"enable_thinking": False}},
)
print(resp.choices[0].message.content)

Evaluation

  • Runtime: SGLang on 8× NVIDIA H200 (TP8)
  • Target: zai-org/GLM-5.3-FP8
  • Speculation block size: 8 (--speculative-dspark-block-size 8, --speculative-num-draft-tokens 9)
  • Sampling: temperature 0.7, concurrency 10, max generation 4096
  • Context-length numbers are the mean of 3 runs (50 prompts, SPEED-Bench low-entropy throughput)
  • Qualitative numbers are one run on SPEED-Bench categories (80 prompts each)

Acceptance length is the per-request mean of completion tokens divided by verification steps. Higher is better. Per-position rates are percent.

Speed-Bench: Low Entropy

Context LenALPos 0Pos 1Pos 2Pos 3Pos 4Pos 5Pos 6Pos 7
1k4.5582.6566.5353.3543.1635.1429.0724.2920.48
2k4.7684.0868.7355.9245.9938.3132.2927.4523.47
8k4.9384.9970.6158.6148.6940.8234.5229.3125.14
16k4.9885.4871.2259.1749.6041.7635.4230.1925.75
32k4.8985.2370.7758.3248.3040.2033.7228.6424.18

Speed-Bench: Qualitative

CategoryALPos 0Pos 1Pos 2Pos 3Pos 4Pos 5Pos 6Pos 7
coding4.6084.0167.9554.7344.0235.7629.2524.2020.22
stem3.6478.4758.4042.2730.4221.5415.1710.597.45
humanities3.4676.5255.6139.1327.5419.2113.359.036.18
math3.6678.0458.3342.4930.4921.8115.5411.048.07
multilingual4.7783.9968.7256.0246.3738.5432.4927.4623.18
qa3.5377.1256.0039.7128.1520.1414.4610.377.30
rag4.7184.0668.9356.6746.0138.0231.0625.5221.01
roleplay2.9070.1344.5227.8617.9511.778.125.804.27
reasoning3.9078.7259.2744.3133.5325.7320.0015.9512.73
summarization4.9586.9773.3360.7950.3541.1033.4027.5022.14
writing3.0270.2046.4930.4620.2913.819.656.894.99

Citation

@misc{glm53dspark2026,
  title={GLM-5.3-DSpark},
  year={2026},
  howpublished={\url{https://huggingface.co/AlayaNeW/GLM-5.3-DSpark}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3DSparkModel
Ревизия весов
7b88f72

0 моделей