/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,9 млрд
Размер весов
1,1 ГБ
Лицензия
Своя лицензия
Архитектура
qwen3 · dense
Опубликована
4 окт 2026

Qwen3.8-27B-DSpark-NVFP4

Генерация текстаТекст → текст

Квантованная голова DSpark для спекулятивного декодирования, ускоряющая генерацию целевой модели Qwen3.8-27B.

1 016скачиваний за 30 дней0лайковвеса обновлены7 окт 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

LithosAI/Qwen3.8-27B-DSpark-NVFP4 — квантованная голова чернового декодирования DSpark для ускорения генерации целевой моделью nvidia/Qwen3.8-27B-NVFP4. Она работает вместе с целевой моделью в режиме спекулятивного декодирования и предлагает до семи токенов для последующей проверки. Это не самостоятельная языковая модель: голова использует общие с целевой моделью эмбеддинги токенов и выходную проекцию словаря.

В репозитории находятся веса 37 матриц в формате NVFP4, сохранённые в safetensors; слои черновой головы имеют скрытый размер 5120, пять слоёв и 32 головы запросов с восемью KV-головами. Автор проверил загрузку через lithos-metal на Apple silicon. Для запуска нужны целевая модель и её токенизатор; совместимость со стандартными загрузчиками Transformers, SGLang и vLLM не подтверждена.

В тесте на Apple M5 Max NVFP4 сократил медианное время этапа чернового декодирования по сравнению с BF16, однако выигрыш полного цикла был меньше. На четырёх тестовых запросах совпали 512 сгенерированных целевой моделью токенов; этот небольшой набор не подтверждает общее преимущество по качеству или принятию предложений. Лицензия указана как other, поэтому условия использования следует уточнять по карточке модели.

Сценарии применения

  • ускорение генерации текста с Qwen3.8-27B через спекулятивное декодирование
  • развёртывание черновой головы DSpark на Apple silicon с lithos-metal
  • снижение задержки этапа чернового декодирования при генерации

Ограничения

Это не самостоятельная модель: требуется целевая nvidia/Qwen3.8-27B-NVFP4 и загрузчик lithos-metal; совместимость со стандартными загрузчиками не подтверждена. Проверка качества ограничена четырьмя промптами, а указанная лицензия other требует уточнения условий использования.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3.8-27B-DSpark-NVFP4

Weight-only NVFP4 DSpark speculative draft head for nvidia/Qwen3.8-27B-NVFP4, validated with lithos-metal on Apple silicon. This head runs alongside the target model.

Contents and format

  • 37 matrices stored in NVFP4.
  • 1,136,258,502 bytes of safetensors weights (1.136 GB, decimal).
  • FP4 E2M1 weights, two codes per U8 byte, low nibble first.
  • One F8_E4M3 block scale per 16 input columns and one F32 tensor scale per matrix.
  • Tensor names: *.weight, *.weight_scale, and *.weight_scale_2 (ModelOpt-style storage).
  • Dequantization: E2M1(code) * E4M3(block_scale) * tensor_scale.
  • Markov W1 stays BF16; normalization and confidence parameters retain their original precision.
  • Weight-only arithmetic with the runtime's BF16 activations and FP32 accumulation/state; no activation calibration or NVFP4 activation quantization is declared.
  • Sharded, standard safetensors plus an index; no hardware-specific weights.pack is required in the download.

This head shares token embeddings and the vocabulary projection with the selected target model. Five draft layers, hidden size 5120, intermediate size 17408, 32 query heads, eight KV heads, head dimension 128, and Markov rank 256 are preserved. The checkpoint serves seven proposals.

Run with lithos-metal

Loading is validated with lithos-metal, on a 40-core Apple M5 Max with 48 GB memory. The target provides the tokenizer and chat template. The NVFP4 tensor layout alone does not establish compatibility with stock Transformers, SGLang, vLLM, or another DSpark loader. This checkpoint uses the lithos-metal DSpark loader and does not require remote Python code.

Use lithos-metal v0.1.2 for a reproducible runtime. Follow its installation and build instructions. This release includes the NVFP4 embedding tensor-scale fix, draft attention specialization compatibility fix, and the validated NVFP4 serving recipe for the matching 35B draft shapes. The included Apache-2.0 lithos-metal-runtime.patch is retained for older runtimes and is not needed with this release.

Once the engine and its serving dependencies are installed:

python -m monolith.serve \
  --model nvidia/Qwen3.8-27B-NVFP4 \
  --draft LithosAI/Qwen3.8-27B-DSpark-NVFP4 \
  --draft-quantization nvfp4 \
  --draft-block-size 7 \
  --max-context 32768 \
  --host 127.0.0.1 --port 8000

Model IDs or local checkpoint directories are accepted. The runtime builds and reuses a local chip-layout pack automatically. Already quantized matrices are read directly, without another quantization pass.

Validation and performance

Both standard safetensors reading and a complete pack round trip are checked. Repacking this export reproduces the previously quality-tested draft pack byte for byte, including all weight codes, block/tensor scales and auxiliary tensors. See validation.json and conversion.json for the pack SHA-256, tensor inventory and quantization policy.

A fresh pack build also succeeds with both NVFP4 CPU quantize and dequantize functions disabled, and matches the same pack hash. Loading these Hub weights therefore needs only layout packing, not dequantization or requantization. Two real Chat Completions requests per export return HTTP 200, eight verification rows, and identical repeated 48-token outputs.

On 40-core M5 Max, the recorded paired 128-context comparison measured a draft-stage median of 9.552 ms BF16 versus 4.392 ms NVFP4 and a complete-round median of 48.427 versus 43.188 ms. Nine alternating samples followed five warmups. Both versions accepted all seven proposals on that timing fixture; a round includes target verification, acceptance/commit, and the next draft block. Loading, compilation, prefill and HTTP work are excluded.

The subsequent NVFP4 kernel refinement measured a 4.186 ms draft span and 42.611 ms complete round in a separate run. These later measurements are not a paired comparison with the BF16 values above.

All 512 generated target tokens across four 128-token prompts matched the BF16 reference. Acceptance histories differed; this small prompt set does not establish a general quality or acceptance advantage. The refined NVFP4 run used 150 rounds versus 152 for the BF16 baseline. Historical study: draft refinement.

License

See WEIGHT_NOTICES.md for the applicable weight license terms.

The exporter and runtime compatibility patch are derived from the Apache-2.0 lithos-metal project; see LICENSE.runtime.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
DSparkDraftModel
Ревизия весов
b169bc4

0 моделей