/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
1 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B
Библиотека
transformers
Опубликована
3 июн 2026

Qwen3-4b-dflare

Генерация текстаТекст → текст

Черновая модель DFlare для ускорения генерации Qwen3-4B посредством спекулятивного декодирования блоков токенов.

108скачиваний за 30 дней0лайковвеса обновлены4 июн 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

AngelSlim/Qwen3-4b-dflare — официальный черновой чекпойнт DFlare для ускорения генерации моделью Qwen/Qwen3-4B. Он предназначен для спекулятивного декодирования: черновая модель предсказывает блок токенов параллельно, а целевая модель проверяет его за один проход. Архитектура DFlare использует семь слоёв, скрытый размер 2560, 32 головы внимания и 8 KV-голов GQA; в README указано около 743 млн параметров, тогда как метаданные каталога указывают 1 млрд. Модель принимает скрытые состояния целевой модели и шумовые эмбеддинги предыдущего блока; сама по себе она не заменяет Qwen3-4B и требует совместимого загрузчика AngelSlim и целевой модели.

В README заявлено ускорение до 5,52 раза в среднем на тестах математических рассуждений, генерации кода и диалогов без изменения результата целевой модели: та проверяет блок и сохраняет распределение жадного декодирования. Это специализированный компонент инференса, а не самостоятельный чат-ассистент. Чекпойнт распространяется по лицензии Apache-2.0.

Сценарии применения

  • ускорение инференса Qwen3-4B в совместимом стеке AngelSlim
  • параллельное предсказание блоков токенов для спекулятивного декодирования
  • ускорение генерации ответов в диалогах на базе Qwen3-4B
  • ускорение генерации кода целевой моделью Qwen3-4B
  • ускорение математических рассуждений целевой моделью Qwen3-4B

Ограничения

Модель является черновым компонентом и требует целевую Qwen/Qwen3-4B, загрузчик AngelSlim и совместимый процесс проверки блоков; отдельно как обычная языковая модель не предназначена для использования. В README приведена оценка около 743 млн параметров, а метаданные указывают 1 млрд.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DFlare Draft Model for Qwen3-4B

This is the official DFlare draft model checkpoint for Qwen/Qwen3-4B, released alongside the paper:

DFlare: Scaling Up Draft Capacity for Block Diffusion Speculative Decoding

DFlare is a block-diffusion speculative decoding framework that accelerates large language model inference by predicting an entire block of tokens in one shot for the target model to verify in parallel. It removes the narrow conditioning bottleneck of the prior state-of-the-art DFlash through a lightweight layer-wise fusion mechanism: each draft layer attends to its own learnable combination of a broad set of target layers at negligible overhead, simultaneously injecting richer target knowledge and giving every draft layer a distinct input. Combined with training-data scaling, this enhanced per-layer expressiveness allows the draft model to scale to deeper architectures with consistent gains, achieving 5.52× end-to-end speedup on Qwen3-4B without compromising output quality.

📖 Documentation & code: https://angelslim.readthedocs.io/zh-cn/latest/features/speculative_decoding/dflare.html

📦 Repo: Tencent/AngelSlim


Model Details

Target modelQwen/Qwen3-4B
Draft architectureDFlare (7 layers, hidden_size=2560, attention_heads=32, GQA kv_heads=8)
Parameters~743 M
Block size16
Target layers used for fusion[1, 5, 9, 13, 17, 21, 25, 29, 33] (out of 36)
Precisionbfloat16
RoPErope_theta = 1,000,000 (no scaling)
Vocab size151,936
Tied embeddingsyes (tie_word_embeddings = true)

The draft predicts a block of block_size tokens in parallel, conditioned on (i) target hidden states extracted from the listed target layers and (ii) noise embeddings of the previous block. The target model verifies the block in a single forward pass and accepts the longest matching prefix.


How to Use

This checkpoint is loaded with AngelSlim's QwenDFlareDraftModel class.

1. Install AngelSlim

git clone https://github.com/Tencent/AngelSlim.git
cd AngelSlim
pip install -e .

2. Run end-to-end speculative decoding benchmark

The repo ships a self-contained benchmark entry that supports both DFlash and DFlare drafts via --draft-arch:

# Single-GPU
python tools/dflash_benchmark.py \
    --model-name-or-path Qwen/Qwen3-4B \
    --draft-name-or-path dflare/qwen3-4b-dflare \
    --draft-arch dflare \
    --dataset gsm8k \
    --max-samples 128 \
    --max-new-tokens 2048 \
    --temperature 0.0
# 8-GPU (workload sharded across ranks, results gathered to rank 0)
torchrun --nproc_per_node=8 --master_port=29600 \
    tools/dflash_benchmark.py \
    --model-name-or-path Qwen/Qwen3-4B \
    --draft-name-or-path dflare/qwen3-4b-dflare \
    --draft-arch dflare \
    --dataset gsm8k \
    --max-samples 128 \
    --max-new-tokens 2048 \
    --temperature 0.0

The script reports:

  • Decoding speedup vs. single-token autoregressive decoding
  • Average acceptance length per block
  • Per-block acceptance-length histogram

⚠️ Do not pass --block-size — the benchmark reads block_size=16 from this checkpoint's config.json and overriding it will break the train/test alignment.

Supported datasets out of the box: gsm8k, math500, aime24, aime25, alpaca, mt-bench, humaneval, mbpp, lbpp, swe-bench, livecodebench.

3. Load the checkpoint manually

import torch
from angelslim.compressor.speculative.train.models.draft.qwen_dflare import (
    QwenDFlareDraftModel,
)

draft = QwenDFlareDraftModel.from_pretrained(
    "dflare/qwen3-4b-dflare",
    dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
).cuda().eval()

print(draft.target_layer_ids)   # [1, 5, 9, 13, 17, 21, 25, 29, 33]
print(draft.block_size)          # 16
print(draft.mask_token_id)       # 151669

Performance

On six benchmarks spanning mathematical reasoning, code generation, and conversation, DFlare on Qwen3-4B delivers 5.52× average wall-clock speedup over single-token autoregressive decoding — improving over DFlash by roughly 11%, with no degradation in output quality (the target model verifies every block, so the final distribution is identical to greedy decoding).

For full per-task results, ablations, and acceptance-length distributions, see the official documentation.


Citation

@article{DFlare2026,
  title={DFlare: Scaling Up Draft Capacity for Block Diffusion Speculative Decoding},
  author={Jiebin Zhang and Zhenghan Yu and Song Liu and Eugene J. Yu and Zheng Li and Dawei Zhu and Jiangshan Duo and Weimin Xiong and Yifan Song and Guanghua Yu and Jianchen Zhu and Sujian Li},
  journal={arXiv preprint arXiv},
  year={2026}
}

License

This checkpoint is released under the Apache 2.0 license, following the AngelSlim project. The target model Qwen/Qwen3-4B retains its own license; consult the target model card before deployment.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
QwenDFlareDraftModel
Ревизия весов
71dcbb0

0 моделей