/ Модель

Характеристики

Лицензия
CC BY-NC-ND 4.0
Базовая модель
GLM-5.3-DFlash2
Опубликована
29 авг 2026

GLM-5.3-DFlash2-GGUF

Генерация текстаТекст → текст3 профессии

Anbeeld/GLM-5.3-DFlash2-GGUF — набор GGUF-квантизаций черновой модели DFlash 2, разработанной Inco AI для GLM-5.3 от zai-org.

871скачиваний за 30 дней1лайквеса обновлены29 авг 2026

Бенчмарки

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

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

Это не самостоятельная языковая модель, а вспомогательный draft-модуль для серверов со спекулятивным декодированием: он предлагает блок токенов, после чего целевая модель GLM-5.3 проверяет их. Модель использует блочно-диффузионный подход, предсказывает несколько токенов параллельно и выбирает согласованный путь кандидатов; заявлено сохранение точности целевой модели при жадной генерации и исходного распределения при sampling.

Модель предназначена для ускорения инференса GLM-5.3 в задачах генерации текста, рассуждений, математики, программирования и диалогов. В опубликованных тестах DFlash 2 показала более высокую среднюю длину принятых последовательностей и пропускную способность, чем native MTP и авторегрессионное декодирование: ускорение достигало 3,39 раза при единичной конкуренции и зависело от задачи и нагрузки. Для работы требуются совместимый сервер спекулятивного декодирования и целевая модель GLM-5.3; указана поддержка SGLang, vLLM версии 0.28.0 и выше, а также BeeLlama.cpp.

README не указывает размер модели, поддерживаемые языки, контекстное окно или полный перечень модальностей. Основное ограничение — невозможность самостоятельного использования без GLM-5.3 и совместимой инфраструктуры; результаты производительности зависят от оборудования, настроек и уровня конкуренции. Модель распространяется по лицензии CC BY-NC-ND 4.0 для исследований и оценки; коммерческое лицензирование требует обращения к Inco AI.

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 DFlash2 GGUF

GGUF quantizations of Inco AI DFlash2 draft model for GLM 5.3.

Use with BeeLlama.cpp, a llama.cpp fork with advanced quantization features.


GLM-5.3-DFlash2

Blog | GitHub

This repository contains the DFlash 2 draft model for zai-org/GLM-5.3. It is not a standalone language model: it runs inside a speculative decoding server and drafts tokens for the target model to verify.

DFlash 2 is a block-diffusion drafter for speculative decoding. It predicts a whole block of tokens in a single pass and keeps the top candidates at every position. A lightweight selector then traces one coherent path through them. Two-tap dynamic convolutions in the backbone keep the draft from decaying toward the end of the block. Decoding is lossless: greedy output matches the target model exactly, and sampling preserves its distribution.

Quick Start

Serve with SGLang:

pip install "sglang[all] @ git+https://github.com/sgl-project/sglang.git#subdirectory=python"

sglang serve \
  --model-path zai-org/GLM-5.3 \
  --tp-size 4 \
  --trust-remote-code \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path incoai/GLM-5.3-DFlash2 \
  --speculative-draft-attention-backend fa4

DFlash 2 is also supported by vLLM v0.28.0 and later; see incoai/GLM-5.3-NVFP4 for a vLLM serving example with the NVFP4-quantized target. See the blog post for more details.

Evaluation

  • Runtime: SGLang on four NVIDIA GB300 GPUs (TP4), with FlashAttention 4 for DFlash 2 draft attention
  • Speculation block size: 8 (7 draft tokens per verification step)
  • Sampling: GLM-5.3's officially recommended parameters (temperature 1.0, top-p 0.95), with the default Max reasoning effort
  • Maximum new tokens: 4096
  • Samples: 128 at concurrency 1; 1,024 at concurrency 8 and 32

We compare autoregressive decoding, GLM-5.3's native MTP, and DFlash 2. All speculative methods propose seven draft tokens per verification step.

Acceptance Length

Acceptance length is the per-request mean of completion tokens divided by verification steps. Higher is better.

TaskMTPDFlash 2
GSM8K5.125.94
MATH-5005.056.02
HumanEval4.855.48
MBPP4.344.95
MT-Bench3.814.19

Throughput

Throughput is total output tokens divided by end-to-end wall time. Each cell shows output tok/s (speedup vs. autoregressive).

Concurrency 1

TaskAutoregressiveMTPDFlash 2
GSM8K113.4292.6 (2.58×)366.6 (3.23×)
MATH-500113.1297.4 (2.63×)383.3 (3.39×)
HumanEval113.7292.9 (2.58×)363.7 (3.20×)
MBPP113.4266.5 (2.35×)336.5 (2.97×)
MT-Bench113.2206.8 (1.83×)244.3 (2.16×)

Concurrency 8

TaskAutoregressiveMTPDFlash 2
GSM8K535.31,094.5 (2.04×)1,310.4 (2.45×)
MATH-500549.61,145.6 (2.08×)1,409.7 (2.56×)
HumanEval554.41,133.8 (2.05×)1,360.6 (2.45×)
MBPP554.21,049.7 (1.89×)1,277.4 (2.31×)
MT-Bench544.5807.0 (1.48×)895.5 (1.64×)

Concurrency 32

TaskAutoregressiveMTPDFlash 2
GSM8K1,142.72,283.6 (2.00×)2,694.5 (2.36×)
MATH-5001,251.82,943.2 (2.35×)3,559.8 (2.84×)
HumanEval1,303.13,016.9 (2.32×)3,589.1 (2.75×)
MBPP1,292.82,790.2 (2.16×)3,380.4 (2.61×)
MT-Bench1,262.72,119.5 (1.68×)2,345.0 (1.86×)

License

This model is released under CC BY-NC-ND 4.0 for research and evaluation. For commercial licensing, contact contact@inco.ai.

Citation

If you find DFlash 2 useful, please cite:

@misc{inco2026dflash2,
  title  = {{DFlash 2: Keep Drafting Parallel}},
  author = {{Inco AI}},
  year   = {2026},
  month  = {August},
  url    = {https://inco.ai/blog/dflash2/}
}

Please also cite the original DFlash paper:

@inproceedings{chen2026dflash,
  title     = {{DFlash: Block Diffusion for Flash Speculative Decoding}},
  author    = {Chen, Jian and Liang, Yesheng and Liu, Zhijian},
  booktitle = {International Conference on Machine Learning (ICML)},
  year      = {2026}
}

Как запустить

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

GPU в ailist

llama.cpp

Нельзя запустить

GGUF-модель ждёт проверки: нужно выбрать файл кванта под доступные GPU.

Ревизия весов
b75adb6

0 моделей