/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
gemma-4-31B-it-DFlash
Опубликована
15 мая 2026

gemma-4-31B-it-DFlash-GGUF

Генерация текстаТекст → текст3 профессии

Anbeeld/gemma-4-31B-it-DFlash-GGUF — набор GGUF-квантизаций черновой модели z-lab/gemma-4-31B-it-DFlash, разработанной командой z-lab для ускорения генерации Gemma 4 31B IT.

2 937скачиваний за 30 дней8лайковвеса 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 не предназначена для самостоятельной генерации: её необходимо использовать в связке с google/gemma-4-31B-it в системах, поддерживающих спекулятивное декодирование, включая BeeLlama.cpp, vLLM и SGLang.

В основе лежит метод DFlash — облегчённая block diffusion-модель, которая параллельно предлагает несколько следующих токенов для последующей проверки основной авторегрессионной моделью. Это позволяет ускорять задачи генерации текста, решения математических задач, программирования и диалогов. В опубликованных тестах на одной NVIDIA B300 ускорение достигало 5,8 раза при единичной конкуренции, однако при росте конкуренции преимущество снижалось до 1,9–5,2 раза в зависимости от задачи. README не указывает размер контекста, поддерживаемые языки и точные параметры архитектуры черновой модели.

Для работы требуются совместимые реализации и основная модель Gemma 4 31B IT; поддержка DFlash в указанных версиях vLLM и SGLang может зависеть от экспериментальных изменений. Сильная сторона модели — заметное ускорение вывода при сохранении сценария работы основной модели, а ограничение — зависимость от специального программного стека и парной модели. В README указана 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

Gemma 4 31B IT DFlash GGUF

GGUF quantizations of z-lab DFlash draft model for Gemma 4 31B IT.

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


gemma-4-31B-it-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 google/gemma-4-31B-it.

Quick Start

Installation

vLLM: until Gemma4 DFlash support is merged, install vLLM from PR #41703:

uv pip install -U --torch-backend=auto \
  "vllm @ git+https://github.com/vllm-project/vllm.git@refs/pull/41703/head"

SGLang:

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

Launch Server

vLLM:

vllm serve google/gemma-4-31B-it \
  --speculative-config '{"method": "dflash", "model": "z-lab/gemma-4-31B-it-DFlash", "num_speculative_tokens": 15, "attention_backend": "flash_attn"}' \
  --attention-backend triton_attn \
  --max-num-batched-tokens 32768 \
  --trust-remote-code

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 google/gemma-4-31B-it \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path z-lab/gemma-4-31B-it-DFlash \
  --speculative-num-draft-tokens 16 \
  --tp-size 1 \
  --attention-backend triton \
  --speculative-draft-attention-backend fa4 \
  --trust-remote-code

Usage

For vLLM, use port 8000. For SGLang, use port 30000.

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")

response = client.chat.completions.create(
    model="google/gemma-4-31B-it",
    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: Single NVIDIA B300 GPU per server/run, vLLM, thinking enabled, max output length 4096, greedy decoding.

Throughput and Speedup

DFlash achieves up to 5.8x speedup at concurrency 1.

Generated tokens/sec (speedup vs. autoregressive baseline)

Block Size = 16

TaskConcurrencyARDFlash
Math500177447 (5.8x)
85112650 (5.2x)
3213084962 (3.8x)
GSM8K178408 (5.3x)
85202321 (4.5x)
3213824447 (3.2x)
HumanEval176420 (5.6x)
84942389 (4.8x)
3211454139 (3.6x)
MBPP179343 (4.4x)
85352036 (3.8x)
3213893636 (2.6x)
MT-Bench179236 (3.0x)
85031334 (2.7x)
3211772257 (1.9x)

Acceptance Length

Taskc1c8c32
Math5008.598.598.62
GSM8K7.537.507.52
HumanEval8.007.897.96
MBPP6.136.136.14
MT-Bench4.234.194.19

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
16e5173

0 моделей