/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
3,7 млрд
Лицензия
Своя лицензия
Архитектура
k3_dspark · dense
Базовая модель
Kimi-K3
Библиотека
vllm
Опубликована
25 июл 2026

Kimi-K3-DSpark

Генерация текстаТекст → текст3 профессии

Черновая модель Inferact на архитектуре DSpark ускоряет генерацию Kimi-K3 посредством спекулятивного декодирования в vLLM.

12 280скачиваний за 30 дней55лайковвеса обновлены29 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Inferact/Kimi-K3-DSpark — специализированная черновая модель от Inferact для ускорения генерации ответов базовой моделью Kimi-K3 через спекулятивное декодирование в vLLM. Она используется совместно с целевой моделью Kimi-K3, а не как самостоятельная разговорная модель.

Модель построена на архитектуре DSpark: пять плотных слоёв с блочной диффузией и некаузальным вниманием формируют блок из семи черновых токенов за один параллельный проход; марковская голова учитывает зависимости между токенами, а голова уверенности помогает планировать вычисления. Архитектура согласована с MLA и KV-кэшем Kimi-K3. В метаданных указаны 3,7 млрд параметров, контекст 1 048 576 токенов и использование safetensors; README описывает обучение на скрытых состояниях Kimi-K3 и работу через vLLM с методом dspark.

Модель рассчитана на ускорение генерации в задачах рассуждения, программирования, чата, RAG и работы с длинным контекстом. README сообщает о максимуме 464 токена в секунду для конкретной конфигурации Kimi-K3, vLLM и оборудования при низкоэнтропийной нагрузке; фактический выигрыш зависит от предсказуемости текста и конфигурации сервинга. Для использования нужны базовая Kimi-K3 и совместимая конфигурация vLLM. Лицензия указана как other, поэтому условия использования следует проверять в репозитории модели и базовой модели.

Сценарии применения

  • ускорение генерации ответов Kimi-K3 в vLLM
  • ускорение рассуждений и решения математических задач
  • ускорение генерации и анализа кода
  • ускорение многоходового чата и ответов на вопросы
  • ускорение RAG и генерации по длинному контексту

Ограничения

Модель предназначена для совместной работы с Kimi-K3 через vLLM и не является самостоятельной целевой моделью. Выигрыш в скорости зависит от предсказуемости генерации и конфигурации сервинга; заявленный максимум получен на конкретном оборудовании и низкоэнтропийной нагрузке.

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

Model Overview

Inferact/Kimi-K3-DSpark is an MLA-native DSpark draft model that accelerates Kimi-K3 on vLLM, served through vLLM's native dspark speculative method.

The draft trains on target hidden states extracted from vLLM itself — the same engine that serves it, so the numerics it learns from are the numerics it meets at inference. TorchSpec provides the loop, streaming those hidden states from live target inference into concurrent FSDP draft training.

DSpark = a block-diffusion backbone of 5 dense layers with non-causal attention, drafting 7 tokens in a single parallel pass, a low-rank sequential Markov head supplying the intra-block dependency, and a confidence head for resource-aware scheduling. Mirroring Kimi-K3's own MLA attention means draft and target share one KV layout (a compact 576-element latent per token), so the draft's pages unify with the target's cache — KV offloading and P/D disaggregation work with no separate page format.


Performance

Peak bs=1 decode: 464 tok/s

Under low-entropy real reasoning workload — Kimi-K3 + DSpark on vLLM can achieve 464 tok/s using the public vllm/vllm-openai:kimi-k3 image on 4 × GB300 at bs=1 & tensor-parallel-size=16.

Speculator acceptance

Speculators do best on predictable, low-entropy work like the reasoning workload behind the 464 tok/s above, and worst on open-ended, high-entropy generation. So we measured 14 benchmarks spanning math, code synthesis, real-world software engineering, multi-turn chat, RAG and QA, multilingual text, creative writing and long-context generation — all with the Kimi-K3 chat template enabled and production sampling parameters, with temperature=0 reported alongside for reproducibility. Acceptance stays strong at long context too, verified on AA-LCR's ~95k-token multi-document prompts. That is the most comprehensive view we can give of how the speculator performs on real-world workloads.

Acceptance length, with 7 speculative tokens:

benchmarktemperature=0temperature=1.0, top_p=0.95prompts
GSM8K5.645.441319
HumanEval5.345.07164
MBPP4.444.31256
SPEED-Bench · coding4.384.2280
SPEED-Bench · multilingual4.214.1080
SPEED-Bench · RAG4.113.9780
MATH-5003.823.77500
SPEED-Bench · low-entropy, 10k input3.723.66512
SWE-bench Pro3.353.11128
AA-LCR · ~95k input3.193.23100
MT-Bench3.143.0680
SPEED-Bench · QA3.072.9880
SPEED-Bench · writing2.792.6980
AIME 20262.722.6430
mean3.853.73

Benchmarks: GSM8K, MATH-500, AIME 2026, HumanEval, MBPP, SWE-bench Pro, MT-Bench, AA-LCR — 100 multi-document prompts of 71k–115k tokens — and six splits of NVIDIA SPEED-Bench: its throughput_16k low-entropy split at 10k-token input, plus five qualitative categories.


Training

Data — all responses regenerated on-policy by Kimi-K3 itself, so the draft learns the target's own reasoning traces and chat formatting. Prompts come from public datasets:

Method: DSpark with block_size=7, trained on a combined CE + L1 distribution-distillation objective against the target's post-final-norm hidden state, bf16. The draft consumes Kimi-K3 auxiliary hidden states from target layers (2, 23, 47, 71, 89) of 93. Roughly two epochs in total, on GB300 nodes.

Draft architecture, block size, sequence length, and loss weights are YAML-configurable — see the TorchSpec repo.


Quick Start

Requirements

For serving Kimi-K3 itself — hardware, parallelism and engine flags — follow the official vLLM recipe: recipes.vllm.ai/moonshotai/Kimi-K3.

Enable the draft

Add to your Kimi-K3 vllm serve command:

--speculative-config '{"method": "dspark", "model": "Inferact/Kimi-K3-DSpark", "num_speculative_tokens": 7, "attention_backend": "FLASHINFER_MLA", "draft_sample_method": "probabilistic", "rejection_sample_method": "block"}'

Sampling options

vLLM offers two knobs on top of the defaults, both used in the temperature=1.0 column above:

  • draft_sample_method — probabilistic samples the draft from its own distribution instead of taking its argmax. Pair it with a sampling client; use greedy when serving at temperature=0 so the draft matches the client.
  • rejection_sample_method — block verifies the drafted block as a unit rather than token by token. It is a no-op under greedy decoding (at temperature=0 verification reduces to a deterministic argmax match), so it only applies to the sampling configuration.

The temperature=0 column was produced with {"draft_sample_method": "greedy"} and no rejection_sample_method.

Как запустить

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

GPU в ailist

Универсальный рантайм · vllm

Нельзя запустить

Архитектура k3_dspark неизвестна transformers в образе рантайма.

Класс архитектуры
K3DSparkModel
Ревизия весов
cf6b824

0 моделей