/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
5,9 ГБ
Лицензия
Apache 2.0
Архитектура
step3p7 · dense
Базовая модель
Step-3.7-Flash
Библиотека
vllm
Опубликована
29 мая 2026

Step-3.7-Flash-MTP-draft

Генерация текстаТекст → текст3 профессии

Черновая BF16-модель MTP добавляет спекулятивное декодирование к Step-3.7-Flash-NVFP4 и ускоряет генерацию в vLLM.

49скачиваний за 30 дней6лайковвеса обновлены29 мая 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

Это черновая модель MTP для спекулятивного декодирования с базовой моделью Step-3.7-Flash-NVFP4. В репозиторий включены три исходных слоя предсказания следующих токенов StepFun, извлечённые из BF16-выпуска Step-3.7-Flash и сохранённые в BF16; веса не переобучались. Модель предназначена для совместного использования с базовым NVFP4-чекпойнтом через vLLM и ускорения генерации текста.

Черновая модель содержит около 5,9 ГБ весов и использует архитектуру семейства Step3p7. В README приведены замеры ускорения на двух RTX PRO 6000 Blackwell: около 17–25% для одиночного потока на нескольких типах запросов, включая код и японский текст; результат зависит от контекста, нагрузки и параметров спекулятивного декодирования. Для запуска требуется совместимая сборка vLLM с поддержкой Step3p5MTP и базовая модель NVFP4. Лицензия репозитория — Apache-2.0.

Сценарии применения

  • ускорение генерации текста на Step-3.7-Flash-NVFP4
  • ускорение генерации кода на Step-3.7-Flash-NVFP4
  • ускорение генерации японского текста
  • спекулятивное декодирование в vLLM

Ограничения

Модель предназначена для использования вместе с базовым чекпойнтом Step-3.7-Flash-NVFP4 и совместимой сборкой vLLM; сама по себе она не является полноценной генеративной моделью. Ускорение зависит от нагрузки и параметров декодирования, а в README оптимальным указан режим K=1.

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

Step-3.7-Flash MTP draft (for the NVFP4 checkpoint)

A tiny Multi-Token-Prediction (MTP / nextn) draft for stepfun-ai/Step-3.7-Flash-NVFP4, so you can run speculative decoding on the NVFP4 checkpoint in vLLM.

Why this exists: the official Step-3.7-Flash-NVFP4 checkpoint declares num_nextn_predict_layers: 3 in its config but ships zero MTP weights — the 3 nextn layers were dropped during quantization, and the per-layer config arrays were truncated to 45 (so even loading them would IndexError). The BF16 and FP8 releases keep the MTP weights, but the NVFP4 one — the SM120-friendly, smallest one — cannot do speculative decoding out of the box. This repo is the missing piece: the 3 MTP layers extracted from the BF16 release, kept in BF16 (they're tiny), packaged as a vLLM-loadable draft.

  • ~5.9 GB, BF16. Base = NVFP4 (mixed precision is fine; the draft is small).
  • Lossless in the speculative sense: vLLM's rejection sampling provably matches the target distribution; at temperature=0 it follows the target's greedy tokens.
  • Drop-in: point vLLM's --speculative-config at this directory.

Usage (vLLM, stepfun37 image / vLLM ≥ the build with Step3p5MTP)

The draft is auto-routed to vLLM's native Step3p5MTP + Step3p5MTPProposer because its config is model_type: step3p7 with num_nextn_predict_layers > 0.

docker run -d --gpus all --ipc=host --shm-size=64g --network host \
  -v /path/to/Step-3.7-Flash-NVFP4:/model:ro \
  -v /path/to/Step-3.7-Flash-MTP-draft:/draft:ro \
  vllm/vllm-openai:stepfun37 \
  /model \
    --served-model-name step3p7 --port 8000 \
    --trust-remote-code --tensor-parallel-size 2 --enable-expert-parallel \
    --quantization modelopt --kv-cache-dtype fp8 \
    --max-model-len 262144 --gpu-memory-utilization 0.92 --async-scheduling \
    --speculative-config '{"method":"mtp","model":"/draft","num_speculative_tokens":1}'

JSON for --speculative-config must have no spaces (brace-expansion safety). num_speculative_tokens: 1 (K=1) is the sweet spot — see below.

Benchmarks (2× RTX PRO 6000 Blackwell, SM120, TP=2)

Measured on the NVFP4 base + this draft, K=1, vs. NVFP4 with speculation off. per_req = decode tok/s a single user feels (prefill excluded). Acceptance ≈ 0.80 in production traffic.

Single-stream decode (short context):

workloadbase+ MTP K=1speedupaccept
free-form106.8125.5+17.5%0.77
code106.7133.7+25.3%0.88
Japanese107.0129.3+20.9%0.80
tool-call106.9135.4+26.6%0.90

Decode speedup grows with context length (longer KV → base is more memory-bound → bigger speculative win):

contextC=1C=2C=4C=8
1K+20%+8%+32%+34%
8K+22%+24%+25%+44%
32K+22%+26%+20%+17%
128K+28%+33%+38%—

Net-positive across the whole concurrency range we tested (MoE stays memory-bound to high batch). Best K: K=1 (K=2/K=3 lose to draft cost — later positions have lower acceptance and add forward cost). NaN-free on SM120 (Gate0 5/5).

How it was built (reproducible)

The draft is not retrained — it's the original StepFun MTP layers, extracted verbatim:

  1. From stepfun-ai/Step-3.7-Flash (BF16), take the 52 tensors of model.layers.{45,46,47}.* (the 3 nextn layers, dense-MLP, 17 tensors each) plus model.embed_tokens.weight. They all live in one shard (model-00024.safetensors).
  2. Keep the original BF16 weight names — vLLM's Step3p5MTP loader does its own renaming (.transformer. strip, shared_head.output→head, .mtp_block. insert).
  3. config.json = the BF16 original config (NOT the NVFP4 one): its per-layer arrays (layer_types, partial_rotary_factors, …) are length 48 and cover the MTP layer indices 45-47. Strip quantization_config so the draft loads as BF16.

Full scripts + benchmark harness: GitHub repo (build_draft.py, launch_mtp.sh, eval_mtp.py, bench_matrix.py).

License & attribution

Apache-2.0, inherited from the base model stepfun-ai/Step-3.7-Flash. These are StepFun's weights, redistributed unchanged (only re-sharded/re-packaged as a draft). All credit for the model and the MTP layers goes to StepFun.

Как запустить

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

GPU в ailist

Универсальный рантайм · vllm

Можно запустить

Подбираем GPU…

Класс архитектуры
Step3p7ForConditionalGeneration
Ревизия весов
6ecd459

0 моделей