/ Модель

Характеристики

Лицензия
MIT
Базовая модель
Qwen3.6-27B-DFlash
Опубликована
18 мая 2026

Qwen3.6-27B-DFlash-GGUF

ЭмбеддингиТекст → embedding3 профессии

Anbeeld/Qwen3.6-27B-DFlash-GGUF — набор GGUF-квантизаций модели-черновика z-lab Qwen3.6-27B-DFlash для целевой модели Qwen/Qwen3.6-27B.

778скачиваний за 30 дней28лайковвеса 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 разработана командой z-lab с использованием метода DFlash, описанного в работе «DFlash: Block Diffusion for Flash Speculative Decoding», а GGUF-версии предназначены для запуска через BeeLlama.cpp — форк llama.cpp с расширенными возможностями квантизации.

Это не самостоятельная диалоговая модель, а компонент для ускорения генерации методом speculative decoding. DFlash использует лёгкую block diffusion-модель для параллельной подготовки черновых токенов, которые затем проверяются целевой моделью Qwen3.6-27B. Такой подход ориентирован на повышение скорости инференса при сохранении качества целевой модели и подходит для серверного развёртывания с поддержкой совместимых inference-движков, включая модифицированные версии vLLM и SGLang.

Ключевые характеристики включают архитектуру draft-модели DFlash, размер семейства 27B, формат GGUF и поддержку text generation. В README не указаны точные параметры квантизаций, языки, размер контекстного окна и результаты бенчмарков; benchmark results обозначены как N/A. Модель находится в процессе обучения, а поддержка inference-движками может быть неполной из-за архитектурных изменений, включая causal SWA layers. Для работы необходима совместная загрузка целевой модели Qwen/Qwen3.6-27B и совместимого движка. В метаданных указана лицензия MIT.

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

Qwen 3.6 27B DFlash GGUF

GGUF quantizations of z-lab DFlash draft model for Qwen 3.6 27B.

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


Qwen3.6-27B-DFlash

Paper | GitHub | Blog

This model is still under training, and inference engine support may not be fully available yet due to architectural changes, including causal SWA layers.

DFlash is a novel speculative decoding method that utilizes a lightweight block diffusion model for drafting. It enables efficient, high-quality parallel drafting that pushes the limits of inference speed.

This model is the drafter component. It must be used in conjunction with the target model Qwen/Qwen3.6-27B.

Quick Start

Installation

vLLM (We temporarily modify the installation through this PR to support interleaved SWA and ensure correct handling of target hidden states for optimal performance):

uv pip install vllm
uv pip install -U --torch-backend=auto "vllm @ git+https://github.com/vllm-project/vllm.git@refs/pull/40898/head"

SGLang:

uv pip install "git+https://github.com/sgl-project/sglang.git@refs/pull/23000/head#subdirectory=python"

Launch Server

vLLM:

vllm serve Qwen/Qwen3.6-27B \
  --speculative-config '{"method": "dflash", "model": "z-lab/Qwen3.6-27B-DFlash", "num_speculative_tokens": 15}' \
  --attention-backend flash_attn \
  --max-num-batched-tokens 32768

SGLang:

# Optional: enable schedule overlapping (experimental, may not be stable)
# export SGLANG_ENABLE_SPEC_V2=1
# export SGLANG_ENABLE_DFLASH_SPEC_V2=1
# export SGLANG_ENABLE_OVERLAP_PLAN_STREAM=1

python -m sglang.launch_server \
    --model-path Qwen/Qwen3.6-27B \
    --speculative-algorithm DFLASH \
    --speculative-draft-model-path z-lab/Qwen3.6-27B-DFlash \
    --speculative-num-draft-tokens 16 \
    --tp-size 1 \
    --attention-backend fa3 \
    --mem-fraction-static 0.75 \
    --mamba-scheduler-strategy extra_buffer \
    --trust-remote-code

Usage

from openai import OpenAI

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

response = client.chat.completions.create(
    model="Qwen/Qwen3.6-27B",
    messages=[{"role": "user", "content": "Write a quicksort in Python."}],
    max_tokens=4096,
    temperature=0.0
)
print(response.choices[0].message.content)

Benchmark Results

N/A

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

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
f14c6b3

0 моделей