/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,9 млрд
Лицензия
MIT
Архитектура
qwen3 · dense
Базовая модель
Qwen3.6-27B
Библиотека
transformers
Опубликована
6 июл 2026

qwen3.6-27B-domino

Генерация текстаТекст → текст3 профессии

Черновая модель Domino ускоряет генерацию Qwen/Qwen3.6-27B методом speculative decoding в совместимой ветке SGLang.

263скачиваний за 30 дней3лайкавеса обновлены28 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

Qwen3.6-27B-Domino — черновая модель Domino от Huang2020 для ускорения генерации целевой модели Qwen/Qwen3.6-27B методом speculative decoding. Она использует блок размера 16 и предназначена для работы с веткой SGLang, поддерживающей Domino. В метаданных архитектура обозначена как DFlashDraftModel; веса представлены в формате Safetensors, размер модели указан как 2,9 млрд параметров, а контекст — до 262 144 токенов.

Модель применяется совместно с целевой Qwen3.6-27B для ускорения генерации текста, в частности при ответах на математические задачи, генерации кода и диалоговых запросах. В описанных испытаниях на двух A100 80 ГБ и при жадном декодировании Domino показывала ускорение относительно обычного авторегрессионного режима; величина зависела от нагрузки и конкурентности запросов.

Это специализированная вспомогательная модель, а не самостоятельная универсальная языковая модель: для работы нужны целевая Qwen/Qwen3.6-27B и совместимая ветка SGLang. README не сообщает отдельные языки обучения или поддерживаемые языки. Лицензия — MIT.

Сценарии применения

  • ускорение генерации ответов Qwen3.6-27B
  • ускорение решения математических задач целевой моделью
  • ускорение генерации кода целевой моделью
  • ускорение обслуживания диалоговых запросов

Ограничения

Модель не предназначена для самостоятельной генерации: требуется целевая Qwen/Qwen3.6-27B и совместимая ветка SGLang. Измеренное ускорение зависит от конкурентности и нагрузки; результаты получены при жадном декодировании на конфигурации с двумя A100 80 ГБ.

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

Qwen3.6-27B-Domino

Paper | GitHub

This is a block-size-16 Domino draft model for the target model Qwen/Qwen3.6-27B. It is intended for speculative decoding with the Domino-enabled SGLang branch.

Quick Start

Install the matching SGLang branch:

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

Launch the regular b16 configuration:

python -m sglang.launch_server \
  --model-path Qwen/Qwen3.6-27B \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path huang2020/Qwen3.6-27B-Domino \
  --speculative-dflash-block-size 16 \
  --speculative-num-draft-tokens 16 \
  --tp-size 2 \
  --attention-backend flashinfer \
  --mamba-scheduler-strategy extra_buffer \
  --trust-remote-code

For b8, set --speculative-num-draft-tokens 8 while keeping --speculative-dflash-block-size 16.

SGLang implementation: PR #32018.

Benchmark

Methods. AR is target-only decoding. MTP-S3/S7/S15 use the built-in Qwen3.6 MTP heads with 3/7/15 steps, 4/8/16 draft tokens, and top-k 1. DFlash uses the official z-lab/Qwen3.6-27B-DFlash checkpoint at revision 0919688.

For DFlash and Domino, b16 is the regular block-16 run and the target verifies all 16 positions. b8 keeps the same block-16 draft backbone but the target verifies only the first 8 positions. The draft backbone itself is not shortened.

Setting. Qwen/Qwen3.6-27B, TP2/BF16 on 2×A100 80GB, FlashInfer, O4096, thinking enabled, greedy sampling (temperature=0, top_p=1, top_k=1), C1/C8/C32, and three fresh-server repeats per cell. Workloads are GSM8K-128, MATH500-128, HumanEval-164, MBPP-128, MT-Bench-80, and Alpaca-128.

Qwen3.6-27B serving throughput

Each bar is mean output tok/s over three runs. The black outline marks the fastest speculative configuration for each workload.

Throughput and speedup

Each cell is output tok/s (speedup versus AR). Bold marks the fastest speculative configuration in each row.

Concurrency 1

WorkloadARMTP-S3MTP-S7MTP-S15DFlash b8DFlash b16Domino b8Domino b16
GSM8K47.2 (1.00x)126.8 (2.68x)151.9 (3.22x)133.9 (2.84x)179.2 (3.79x)200.9 (4.25x)206.0 (4.36x)248.0 (5.25x)
MATH50047.3 (1.00x)132.3 (2.80x)168.1 (3.55x)151.6 (3.20x)203.2 (4.29x)240.1 (5.07x)217.7 (4.60x)270.6 (5.72x)
HumanEval47.2 (1.00x)125.3 (2.65x)149.9 (3.18x)129.9 (2.75x)188.0 (3.98x)211.1 (4.47x)198.5 (4.20x)235.1 (4.98x)
MBPP47.6 (1.00x)122.6 (2.57x)141.8 (2.98x)117.0 (2.46x)177.5 (3.73x)186.2 (3.91x)189.0 (3.97x)214.0 (4.49x)
MT-Bench47.1 (1.00x)115.1 (2.44x)125.0 (2.65x)100.7 (2.14x)141.5 (3.00x)143.8 (3.05x)155.7 (3.31x)161.9 (3.44x)
Alpaca47.2 (1.00x)112.1 (2.38x)119.8 (2.54x)96.0 (2.03x)135.7 (2.87x)133.9 (2.84x)150.1 (3.18x)157.7 (3.34x)

Concurrency 8

WorkloadARMTP-S3MTP-S7MTP-S15DFlash b8DFlash b16Domino b8Domino b16
GSM8K324.4 (1.00x)778.7 (2.40x)913.0 (2.81x)673.3 (2.08x)1016.1 (3.13x)899.0 (2.77x)1153.2 (3.55x)1131.2 (3.49x)
MATH500331.6 (1.00x)846.3 (2.55x)1056.6 (3.19x)805.6 (2.43x)1191.4 (3.59x)1107.4 (3.34x)1255.2 (3.78x)1252.5 (3.78x)
HumanEval331.9 (1.00x)797.5 (2.40x)939.0 (2.83x)684.4 (2.06x)1104.2 (3.33x)985.8 (2.97x)1155.9 (3.48x)1078.5 (3.25x)
MBPP326.7 (1.00x)756.2 (2.32x)872.3 (2.67x)564.5 (1.73x)995.4 (3.05x)850.4 (2.60x)1053.7 (3.23x)950.0 (2.91x)
MT-Bench330.6 (1.00x)713.7 (2.16x)776.3 (2.35x)528.6 (1.60x)808.0 (2.44x)655.2 (1.98x)881.5 (2.67x)752.8 (2.28x)
Alpaca332.6 (1.00x)719.8 (2.16x)740.9 (2.23x)510.9 (1.54x)786.8 (2.37x)616.7 (1.85x)862.9 (2.59x)722.7 (2.17x)

Concurrency 32

WorkloadARMTP-S3MTP-S7MTP-S15DFlash b8DFlash b16Domino b8Domino b16
GSM8K862.9 (1.00x)1555.9 (1.80x)1495.6 (1.73x)1034.2 (1.20x)1601.7 (1.86x)1214.0 (1.41x)1817.5 (2.11x)1574.5 (1.82x)
MATH500963.3 (1.00x)1834.1 (1.90x)1795.0 (1.86x)1250.0 (1.30x)1920.0 (1.99x)1478.7 (1.54x)2021.3 (2.10x)1716.2 (1.78x)
HumanEval953.4 (1.00x)1701.1 (1.78x)1607.3 (1.69x)1099.3 (1.15x)1795.8 (1.88x)1351.4 (1.42x)1879.7 (1.97x)1541.3 (1.62x)
MBPP919.5 (1.00x)1577.2 (1.72x)1443.2 (1.57x)948.5 (1.03x)1595.0 (1.73x)1218.6 (1.33x)1547.2 (1.68x)1342.4 (1.46x)
MT-Bench866.8 (1.00x)1352.0 (1.56x)1144.4 (1.32x)721.8 (0.83x)1168.1 (1.35x)817.3 (0.94x)1286.9 (1.48x)920.3 (1.06x)
Alpaca788.1 (1.00x)1387.6 (1.76x)1130.1 (1.43x)718.4 (0.91x)1128.9 (1.43x)790.0 (1.00x)1315.0 (1.67x)894.1 (1.13x)

Macro speedup vs AR

Arithmetic mean of the per-workload TPS ratios; Overall is the arithmetic mean of all 18 workload-by-concurrency ratios.

CMTP-S3MTP-S7MTP-S15DFlash b8DFlash b16Domino b8Domino b16
12.59x3.02x2.57x3.61x3.93x3.94x4.54x
82.33x2.68x1.90x2.98x2.59x3.22x2.98x
321.75x1.60x1.07x1.71x1.27x1.84x1.48x
Overall2.22x2.43x1.85x2.77x2.60x3.00x3.00x

Accept length

Mean output tokens per target verification step, including the target bonus token. The maxima are 4/8/16 for MTP-S3/S7/S15, 8 for b8, and 16 for b16. Bold marks the highest value within the directly comparable max-8 and max-16 groups.

Concurrency 1

WorkloadMTP-S3MTP-S7MTP-S15DFlash b8DFlash b16Domino b8Domino b16
GSM8K3.5565.5036.8555.4496.8786.3359.163
MATH5003.6085.6587.0555.7007.4016.2018.760
HumanEval3.4225.0566.0485.2646.4695.6557.445
MBPP3.3494.7825.4394.9725.7325.4056.803
MT-Bench3.2064.4875.1884.2784.9474.7585.851
Alpaca3.1824.4285.0324.1764.6984.7075.937

Concurrency 8

WorkloadMTP-S3MTP-S7MTP-S15DFlash b8DFlash b16Domino b8Domino b16
GSM8K3.5445.5326.8195.4296.7966.3099.310
MATH5003.6045.6607.0015.6637.3866.1948.813
HumanEval3.4295.0556.0245.2676.4405.6597.418
MBPP3.3384.7875.4424.9545.7705.4046.787
MT-Bench3.1984.4965.2014.2944.9674.7495.908
Alpaca3.2034.4155.0224.1464.6694.7435.835

Concurrency 32

WorkloadMTP-S3MTP-S7MTP-S15DFlash b8DFlash b16Domino b8Domino b16
GSM8K3.5545.5106.8895.4426.8736.2889.313
MATH5003.6085.6467.0325.6977.3216.2068.789
HumanEval3.4235.0616.0345.2936.4665.6777.449
MBPP3.3464.7555.4974.9425.7525.3736.842
MT-Bench3.1974.5055.2244.3024.9834.7685.923
Alpaca3.1854.4265.0064.1714.6924.7215.812

All 144 displayed method/workload/concurrency cells completed three measured runs.

These are observed serving results. BF16 greedy trajectories can differ across methods, so the TPS differences are not pure kernel-attribution claims.

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}
}

Acknowledgements

Domino builds on DFlash and its block-diffusion drafting formulation.

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
e2a3953

0 моделей