/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Muse-Glimmer-30B-DFlash2
Опубликована
29 авг 2026

Muse-Glimmer-30B-DFlash2-GGUF

Генерация текстаТекст → текст3 профессии

Anbeeld/Muse-Glimmer-30B-DFlash2-GGUF — набор GGUF-квантизаций черновой модели Inco AI DFlash 2 для Muse Glimmer 30B, разработанной Meta Models.

997скачиваний 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

Модель предназначена для ускорения генерации текста посредством speculative decoding и не является самостоятельной языковой моделью: она работает внутри совместимого сервера, предлагает последовательности токенов, а целевая Muse Glimmer 30B их проверяет.

DFlash 2 использует архитектуру block-diffusion: за один проход предсказывает блок токенов, сохраняет несколько наиболее вероятных кандидатов в каждой позиции и выбирает согласованный путь. В основе применяются двухконтактные динамические свёртки, уменьшающие ухудшение качества чернового продолжения к концу блока. Заявлена точная по результату работа: при жадной генерации вывод совпадает с целевой моделью, а при sampling сохраняется её распределение. В README указаны блоки до 16 токенов и результаты ускорения до 4,62 раза при единичной конкуренции и до 3,99 раза при конкуренции 8 на тестах GSM8K и MATH-500.

Модель ориентирована на запуск через BeeLlama.cpp, а также интеграцию с SGLang и vLLM. Её сильная сторона — повышение пропускной способности без изменения результата целевой модели; ограничение — необходимость совместимой целевой Muse Glimmer 30B, специального сервера speculative decoding и подходящей вычислительной инфраструктуры. Языки, размер контекстного окна и точные параметры квантизаций в README не указаны. Лицензия — Apache-2.0.

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

Muse Glimmer 30B DFlash2 GGUF

GGUF quantizations of Inco AI DFlash2 draft model for Muse Glimmer 30B.

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


Muse-Glimmer-30B-DFlash2

Blog | GitHub

This repository contains the DFlash 2 draft model for meta-models/Muse-Glimmer-30B. It is not a standalone language model: it runs inside a speculative decoding server and drafts tokens for the target model to verify. It is finetuned from meta-models/Muse-Glimmer-30B-assistant, the official DFlash drafter Meta ships with the model. The checkpoint is also mirrored at z-lab/Muse-Glimmer-30B-DFlash2.

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"

python -m sglang.launch_server \
  --model-path meta-models/Muse-Glimmer-30B \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path incoai/Muse-Glimmer-30B-DFlash2 \
  --speculative-num-draft-tokens 16

Or with vLLM:

pip install -U "vllm @ git+https://github.com/vllm-project/vllm.git@refs/pull/52816/head"

vllm serve meta-models/Muse-Glimmer-30B \
  --speculative-config '{
    "method": "dflash",
    "model": "incoai/Muse-Glimmer-30B-DFlash2",
    "num_speculative_tokens": 15
  }'

See the blog post for other engines and more details.

Evaluation

  • Runtime: SGLang on one NVIDIA H200, with FlashAttention 3 for target and draft attention
  • Speculation block size: 16 (15 draft tokens per verification step)
  • Sampling: Muse's officially recommended parameters (temperature 1.0, top-p 0.95, top-k 64), with high reasoning strength
  • Maximum new tokens: 4096
  • Prompts: benchmark formatting from z-lab/dflash

We compare autoregressive decoding, the official DFlash drafter (meta-models/Muse-Glimmer-30B-assistant), a community DSpark drafter (DaoCloud/Muse-Glimmer-30B-DSpark), and DFlash 2. All speculative methods propose fifteen draft tokens per verification step.

Acceptance Length

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

TaskOfficial DFlashDSparkDFlash 2
GSM8K5.435.456.57
MATH-5005.395.016.56
HumanEval4.114.335.66
MBPP3.744.025.30
MT-Bench3.523.594.42

Throughput

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

Concurrency 1

TaskAutoregressiveOfficial DFlashDSparkDFlash 2
GSM8K63.9247.8 (3.88×)236.5 (3.70×)293.7 (4.59×)
MATH-50064.0246.3 (3.85×)218.4 (3.41×)295.5 (4.62×)
HumanEval65.1210.5 (3.23×)201.4 (3.09×)266.2 (4.09×)
MBPP63.9196.8 (3.08×)192.7 (3.02×)264.8 (4.14×)
MT-Bench64.0164.6 (2.57×)159.7 (2.49×)197.4 (3.08×)

Concurrency 8

TaskAutoregressiveOfficial DFlashDSparkDFlash 2
GSM8K476.61,574.4 (3.30×)1,456.1 (3.06×)1,816.6 (3.81×)
MATH-500466.01,582.9 (3.40×)1,386.0 (2.97×)1,859.3 (3.99×)
HumanEval499.91,419.8 (2.84×)1,315.4 (2.63×)1,784.9 (3.57×)
MBPP491.61,278.9 (2.60×)1,266.6 (2.58×)1,719.7 (3.50×)
MT-Bench470.01,078.4 (2.29×)1,052.6 (2.24×)1,288.9 (2.74×)

Concurrency 32

TaskAutoregressiveOfficial DFlashDSparkDFlash 2
GSM8K1,705.62,330.3 (1.37×)2,301.7 (1.35×)2,818.3 (1.65×)
MATH-5001,710.22,427.3 (1.42×)2,185.0 (1.28×)2,869.6 (1.68×)
HumanEval1,798.12,170.0 (1.21×)2,068.9 (1.15×)2,780.2 (1.55×)
MBPP1,717.51,964.6 (1.14×)2,006.5 (1.17×)2,685.4 (1.56×)
MT-Bench1,721.81,668.0 (0.97×)1,627.2 (0.95×)1,975.5 (1.15×)

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
c773bd2

0 моделей