/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,9 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Опубликована
3 окт 2026

Agens-Volundr-32B-Preview-DFlash2

Генерация текстаТекст → текст

Черновая модель DFlash2 для спекулятивного декодирования, ускоряющая генерацию текста основной моделью Agens Volundr 32B Preview.

627скачиваний за 30 дней4лайкавеса обновлены6 окт 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

Blockway/Agens-Volundr-32B-Preview-DFlash2 — вспомогательная модель DFlash2 для ускорения генерации текста основной моделью Agens Volundr 32B Preview. Это черновая модель семейства Qwen3 с плотной архитектурой; в метаданных указано 2,9 млрд параметров и контекст 262 144 токена. В README описана конфигурация из пяти слоёв примерно на 1,9 млрд параметров, которая использует скрытые состояния основной модели на слоях 8, 21, 35, 53 и 67 и совместно с ней использует эмбеддинги и выходную голову. Расхождение числа параметров README и метаданных требует учитывать при оценке размера.

Модель предназначена для спекулятивного декодирования: она предлагает блок из восьми токенов, а основная модель проверяет их за один проход. Проверку и качество ответа определяет целевая модель; в README приведены ускорения 3,6× для JSON, 2,0× для кода и 1,6× для ответов с включённым рассуждением в условиях описанного теста. Решение ориентировано на генерацию одним пользователем и требует совместимой сборки Blockway sglang, основной модели и настройки GPU; при высокой параллельности обычное декодирование может давать большую общую пропускную способность. Репозиторий содержит веса safetensors, лицензия — Apache-2.0.

Сценарии применения

  • ускорение генерации JSON основной моделью Agens Volundr
  • ускорение генерации программного кода
  • ускорение текстовых ответов при спекулятивном декодировании

Ограничения

Требуются основная модель Agens Volundr 32B Preview, специальная сборка Blockway sglang и совместимая конфигурация GPU. Модель оптимизирована для одного пользователя; README указывает, что при восьми и более одновременных пользователях обычное декодирование обеспечивает большую общую пропускную способность.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Agens Volundr 32B Preview — DFlash2 drafter

Main model card, benchmarks and discussion: Blockway/Agens-Volundr-32B-Preview

A DFlash2 block drafter for speculative decoding with Agens Volundr 32B Preview. At each step it drafts 8 tokens at once from the target model's hidden states (taps at layers 8, 21, 35, 53 and 67), and the target verifies them in one pass. The target checks every token, so answers keep the target model's quality; with greedy decoding the output can differ from non-speculative decoding only where two tokens are numerically tied.

The drafter has 5 layers (about 1.9B parameters, 3.8 GB in bf16) and shares the target's embeddings and output head, which are not stored here.

Speed-up

Single user on two 48 GB GPUs, bf16, the Blockway sglang build, same server with and without the drafter:

OutputSpeed-up
JSON3.6×
Code2.0×
Replies with thinking on (code, Cantonese)1.6×
Cantonese chat1.3×

On average 2.56 drafted tokens are accepted per step. The drafter is for single-user generation: the drafter server runs 4 requests at a time, so with 8 or more concurrent users plain decoding gives more total throughput.

Use

Requires the Blockway sglang build (ghcr.io/blockwayz/agens-sglang, source at github.com/BlockWayz/agens-sglang). Add these flags to the two-GPU bf16 command from the model card, and run the container with -e PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True -e VOLUNDR_FI_WORKSPACE_MB=256. The larger FlashInfer workspace is needed on GPUs with many SMs, especially at tensor-parallel size 1 (the 2026-10-05 images default to 128 MB and can fail during CUDA-graph capture with aligned_alloc ... but only 134217728 bytes available):

    --speculative-algorithm DFLASH \
    --speculative-draft-model-path Blockway/Agens-Volundr-32B-Preview-DFlash2 \
    --speculative-num-draft-tokens 8 \
    --speculative-draft-model-quantization unquant \
    --mem-fraction-static 0.90 --context-length 16384 --chunked-prefill-size 2048 \
    --max-mamba-cache-size 4 --max-running-requests 4 --cuda-graph-max-bs 4

Speculative decoding needs --attention-backend flashinfer and serves text requests (leave out --enable-multimodal).

Licence

Apache-2.0. The licence files and NOTICE ship with the weights.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
DFlash2DraftModel
Ревизия весов
fd63593

0 моделей