/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
MiniMax-M2.7-DFlash
Опубликована
29 авг 2026

MiniMax-M2.7-DFlash-GGUF

Генерация текстаТекст → текст3 профессии

Anbeeld/MiniMax-M2.7-DFlash-GGUF — набор GGUF-квантизаций черновой модели MiniMax-M2.7-DFlash, предназначенной для ускорения генерации текста совместно с основной моделью MiniMaxAI/MiniMax-M2.7.

932скачиваний за 30 дней0лайковвеса 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

Модель создана в рамках проекта DFlash, разработанного командой z-lab; представленные файлы были преобразованы из совместимого общедоступного чекпойнта NVIDIA/MiniMax-M2.7-DFlash, поскольку исходный чекпойнт z-lab был недоступен во время конвертации. Для работы рекомендуется использовать BeeLlama.cpp — форк llama.cpp с поддержкой расширенных возможностей квантизации.

DFlash применяет спекулятивное декодирование: облегчённая модель на основе блочной диффузии параллельно предлагает несколько следующих токенов, после чего основная MiniMax-M2.7 проверяет и принимает подходящие варианты. Это предназначено для ускорения генерации в задачах математического рассуждения, программирования, диалогов и других сценариях текстовой генерации. Модель является вспомогательной и не предназначена для автономного использования вместо целевой MiniMax-M2.7; для запуска требуется совместимый стек инференса, например SGLang или поддерживаемая версия vLLM, а также соответствующее аппаратное обеспечение.

В README указано, что модель представляет собой GGUF-квантизацию и использует архитектурный подход DFlash с block diffusion и speculative decoding. Конкретные размер, контекст, языки, модальности и параметры отдельных вариантов квантизации не приведены. В бенчмарках на четырёх NVIDIA B200 сообщаются показатели пропускной способности и средней длины принятых фрагментов, однако они зависят от конфигурации запуска и не являются универсальными характеристиками. Лицензия обозначена как other, но её точные условия в предоставленных данных не описаны.

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

MiniMax M2.7 DFlash GGUF

GGUF quantizations of z-lab DFlash draft model for MiniMax M2.7.

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

Conversion note: The gated z-lab checkpoint was not downloadable during conversion. These GGUFs were converted from the compatible public NVIDIA/MiniMax-M2.7-DFlash checkpoint.


MiniMax-M2.7-DFlash

Paper | GitHub | Blog

DFlash is a speculative decoding method that uses a lightweight block diffusion model to draft multiple tokens in parallel. This is the drafter model, which must be paired with MiniMaxAI/MiniMax-M2.7.

Quick Start

Installation

vLLM:

Check out vLLM issue #46105.

SGLang:

uv pip install "git+https://github.com/sgl-project/sglang.git#subdirectory=python"

Launch Server

vLLM:

Check out vLLM issue #46105.

SGLang:

python -m sglang.launch_server \
  --model-path MiniMaxAI/MiniMax-M2.7 \
  --tp-size 4 \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path z-lab/MiniMax-M2.7-DFlash \
  --attention-backend trtllm_mha \
  --speculative-draft-attention-backend fa4 \
  --mem-fraction-static 0.8 \
  --trust-remote-code \
  --host 0.0.0.0 \
  --port 30000

Usage

For SGLang, use port 30000.

from openai import OpenAI

client = OpenAI(base_url="http://localhost:30000/v1", api_key="EMPTY")

response = client.chat.completions.create(
    model="MiniMaxAI/MiniMax-M2.7",
    messages=[{"role": "user", "content": "Write a quicksort in Python."}],
    max_tokens=4096,
    temperature=0.0,
    extra_body={"chat_template_kwargs": {"enable_thinking": True}},
)
print(response.choices[0].message.content)

Benchmark Results

Setup: 4 NVIDIA B200 GPUs per server/run, SGLang, tensor parallel size 4, target attention backend trtllm_mha, draft attention backend fa4, thinking enabled, max output length 4096, greedy decoding. Concurrency 1 uses 128 prompts; concurrency 32 uses 1024 prompts.

Throughput

Generated tokens/sec

Block Size = 8

TaskConcurrencyDFlash
Math5001331.12
324422.52
GSM8K1304.07
324202.09
HumanEval1333.44
324394.23
MT-Bench1350.84
324549.75

Acceptance Length

Taskc1c32
Math5003.5613.658
GSM8K3.4813.586
HumanEval3.6103.657
MT-Bench3.5503.624

Acknowledgements

Special thanks to David Wang for his outstanding engineering support on this project. We are also grateful to Modal, InnoMatrix, and Yotta Labs for providing the compute resources used to train this draft model.

Citation

If you find DFlash useful, please cite our work. To share feedback on DFlash or request new model support, please fill out this form: DFlash Feedback.

@article{chen2026dflash,
  title   = {{DFlash: Block Diffusion for Flash Speculative Decoding}},
  author  = {Chen, Jian and Liang, Yesheng and Liu, Zhijian},
  journal = {arXiv preprint arXiv:2602.06036},
  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
7b0d41a

0 моделей