/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
844 млн
Архитектура
qwen3 · dense
Базовая модель
Qwen3-4B
Библиотека
transformers
Опубликована
27 мая 2026

Qwen3-4B-Domino-b16

Генерация текстаТекст → текст3 профессии

Черновая модель Domino/DFlash ускоряет генерацию Qwen3-4B посредством спекулятивного декодирования с блоками по 16 токенов.

1 211скачиваний за 30 дней6лайковвеса обновлены25 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

Huang2020/Qwen3-4B-Domino-b16 — черновая модель Domino/DFlash для ускорения генерации с помощью спекулятивного декодирования совместно с целевой моделью Qwen/Qwen3-4B. Она предназначена для параллельного чернового предсказания блоков токенов с лёгкой причинной корректирующей головой, повышающей долю принятых черновых токенов. Размер блока — 16 токенов; модель не предназначена для самостоятельной генерации и должна использоваться вместе с целевой моделью.

В README описан запуск через SGLang или Transformers; для прямого пути spec_generate рекомендован один GPU, а для Qwen3 следует отключить режим рассуждений. Репозиторий содержит веса в формате Safetensors, библиотека — Transformers; базовая модель имеет контекстное окно 40960 токенов. Лицензия в предоставленных данных не указана.

Сценарии применения

  • ускорение генерации текста моделью Qwen3-4B
  • спекулятивное декодирование с параллельным черновым предсказанием токенов
  • интеграция черновой модели в генерацию через Transformers
  • интеграция спекулятивного декодирования в SGLang

Ограничения

Модель нельзя использовать как самостоятельную языковую модель: для генерации ей нужна целевая Qwen/Qwen3-4B. README рекомендует отключить режим рассуждений Qwen3; для прямого пути spec_generate рекомендуется один GPU.

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

Qwen3-4B Domino Draft Model

Paper | GitHub

Domino pipeline

This repository contains a Domino/DFlash draft model for speculative decoding with Qwen/Qwen3-4B. The draft model is not intended to be used as a standalone language model; it should be paired with the target model during generation.

Domino keeps draft generation block-parallel while adding a lightweight causal correction head. This preserves the low drafting cost of parallel speculative decoding and improves draft-token acceptance.

Model Details

  • Target model: Qwen/Qwen3-4B
  • Draft model: Huang2020/Qwen3-4B-Domino-b16
  • Block size: 16
  • Recommended usage: one GPU for the direct spec_generate path
  • Qwen3 chat setting: thinking mode disabled

Installation

uv pip install "git+https://github.com/jianuo-huang/sglang.git@feat/domino-tensor-parallel#subdirectory=python"

Quick Usage

SGLang

sglang serve \
  --model-path Qwen/Qwen3-4B \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path Huang2020/Qwen3-4B-Domino-b16

Transformers

from transformers import AutoModel, AutoModelForCausalLM, AutoTokenizer

draft = AutoModel.from_pretrained(
    "Huang2020/Qwen3-4B-Domino-b16",
    trust_remote_code=True,
    torch_dtype="auto",
    device_map="cuda:0",
).eval()

target = AutoModelForCausalLM.from_pretrained(
    "Qwen/Qwen3-4B",
    torch_dtype="auto",
    device_map="cuda:0",
).eval()

tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen3-4B")
messages = [{
    "role": "user",
    "content": "How many positive whole-number divisors does 196 have?",
}]
input_ids = tokenizer.apply_chat_template(
    messages,
    return_tensors="pt",
    return_dict=False,
    add_generation_prompt=True,
    enable_thinking=False,
).to(draft.device)

output = draft.spec_generate(
    input_ids=input_ids,
    target=target,
    max_new_tokens=2048,
    temperature=0.0,
    stop_token_ids=[tokenizer.eos_token_id],
)

generated = output[:, input_ids.shape[1]:]
print(tokenizer.decode(generated[0], skip_special_tokens=True))

Benchmark Figure

Domino speedup

The source PDF is available at assets/speedup.pdf.

Citation

@article{huang2026domino,
  title={Domino: Decoupling Causal Modeling from Autoregressive Drafting in Speculative Decoding},
  author={Huang, Jianuo and Zhang, Yaojie and Zhang, Qituan and Lin, Hao and Xu, Hanlin and Zhang, Linfeng},
  journal={arXiv preprint arXiv:2605.29707},
  year={2026}
}

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
1a3f542

0 моделей