/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,6 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
gemma-4-31B-it-DFlash
Библиотека
transformers
Опубликована
5 июл 2026

DSpark-Gemma-4-31B-draft

Генерация текстаТекст → текст3 профессии

Вспомогательная модель DFlash для ускорения генерации Gemma 4 31B в сценариях чата, кода, математики и работы агентов.

75скачиваний за 30 дней4лайкавеса обновлены5 июл 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

Hikari07jp/DSpark-Gemma-4-31B-draft — вспомогательная модель для ускорения генерации Google Gemma 4 31B Instruct методом спекулятивного декодирования. Разработчик дообучил модель z-lab/gemma-4-31B-it-DFlash: в корневом варианте используется переобученная основа с вероятностной semi-AR Markov-головой, а в каталоге backbone-only находится вариант без этой головы для совместимости со штатным путём DFlash. Модель содержит 2,6 млрд параметров, построена на архитектуре Qwen3 и поддерживает контекст до 262 144 токенов.

Модель предназначена для работы в паре с целевой Gemma 4 31B при генерации чата, кода, математических ответов и результатов для агентных сценариев. По измерениям из карточки, корневой вариант ускоряет генерацию с выборкой на 3,7–6,3% относительно исходной DFlash-модели в указанных тестах; для tool-calling предпочтителен backbone-only. Спекулятивное декодирование заявлено как не влияющее на точность целевой модели.

Для корневого варианта требуется пропатченный vLLM 0.24.0; backbone-only работает со штатным путём DFlash и PR #41703. Для указанного пути с FlashAttention требуется KV-кэш bfloat16. Лицензия — Apache-2.0.

Сценарии применения

  • ускорение генерации ответов Gemma 4 в чате
  • ускорение генерации кода с помощью Gemma 4
  • ускорение математических ответов Gemma 4
  • ускорение генерации в агентных сценариях
  • ускорение генерации структурированных ответов для вызова инструментов с вариантом backbone-only

Ограничения

Корневой вариант требует патча DSpark для vLLM 0.24.0; для tool-calling в карточке рекомендуется backbone-only, поскольку Markov-смещение снижало результат на структурированном JSON. Указанный путь с FlashAttention требует KV-кэша bfloat16 и несовместим с FP8 KV.

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

DSpark-Gemma-4-31B-draft

A retrained + extended DFlash draft model for google/gemma-4-31B-it, built on top of z-lab/gemma-4-31B-it-DFlash (Apache-2.0).

Two variants are included:

variantpathwhat it isworks with
DSpark (semi-AR markov)repo rootretrained backbone + rank-256 semi-AR markov head, probabilistic draftingvLLM 0.24.0 + our patch
backbone-onlybackbone-only/retrained backbone, drop-in z-lab replacementstock vLLM + PR #41703 (same as z-lab head)

Measured results

Setup: target = nvidia/Gemma-4-31B-IT-NVFP4 (official NVFP4), RTX PRO 6000 Blackwell (96 GB), vLLM 0.24.0 + PR#41703, K=15, --kv-cache-dtype bfloat16, draft attention_backend=flash_attn. Throughput from vLLM /metrics counters (not SSE chunk counting), ABBA alternation, warm-up rounds discarded, paired per-round statistics. Prompts are train-disjoint (24 per domain).

Sampling T=1 (the regime chat/agent traffic actually runs), K=15, n=3 paired rounds

domainDSpark tok/sz-lab tok/sdiff
math217.4207.1+5.0%
code197.6185.9+6.3%
chat91.888.5+3.7%
toolcall181.5191.3−5.1%
aggregate151.6144.7+4.7% (CI excludes 0)

Greedy (T=0), K=15, n=5 paired rounds

Aggregate +0.7% — below our measured greedy noise floor (~1.5%), so we report this as a tie. Both heads reach ~4.06x over non-speculative decoding (171.7 vs 42.3 tok/s).

Which variant should I use?

  • Chat / general / code / math with sampling → root variant (semi-AR markov): +4.7% over z-lab.
  • Tool-calling-heavy agents → backbone-only/: the markov bias hurts structured JSON (−5.1% vs z-lab on toolcall) while backbone-only is +6.6% over z-lab on toolcall.
  • You don't want to patch vLLM beyond PR#41703 → backbone-only/ (drop-in).

Quality

Speculative decoding is lossless by construction; we additionally verified end-to-end: gsm8k (n=150) and structured tool-call JSON (n=24) accuracy identical to non-speculative baseline (McNemar exact p=1.0, Δ=0.00pp), and NVFP4 target quality matches BF16 on the same battery.

Usage

backbone-only (stock DFlash path)

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

vllm serve nvidia/Gemma-4-31B-IT-NVFP4 \
  --kv-cache-dtype bfloat16 \
  --speculative-config '{"method":"dflash","model":"Hikari07jp/DSpark-Gemma-4-31B-draft/backbone-only","num_speculative_tokens":15,"attention_backend":"flash_attn"}'

DSpark semi-AR (root variant)

Requires the DSpark patch on top of vLLM 0.24.0 — see hikarioyama/dspark-gemma4-31b for the patch and instructions. Then add "draft_sample_method":"probabilistic" to the speculative config and serve the repo root as the draft model.

Note: --kv-cache-dtype bfloat16 is required (FP8 KV is incompatible with the flash_attn draft path for this hybrid-SWA model), and FlashInfer rejects gemma-4's hybrid SWA — the config above is the known-good combination.

Training summary

  • Warm-started from z-lab/gemma-4-31B-it-DFlash, jointly retrained backbone + markov head
  • Loss: 0.9 L1 (hidden matching) + 0.1 CE, γ=6 position discounting, block 16, ctx 1024
  • 15.5k on-policy samples generated by gemma-4-31B-it (chat-heavy mix: 50/35/15 chat/code/math in the general slice + tool-call + agent-trajectory sources)
  • 6000 steps DDP; best checkpoint selected at step 2400 by held-out paired accept-length
  • Known corpus bias (honest): code slice is Python-heavy (51%) and implement-heavy (68%)

Acknowledgements

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
DFlashDraftModel
Ревизия весов
929c6c5

0 моделей