/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,9 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3.8-27B-DFlash2
Библиотека
exllamav3
Опубликована
24 авг 2026

Qwen3.8-27B-DFlash2-EXL3-5.0bpw

Генерация текстаТекст → текст3 профессии

Qwen3.8-27B-DFlash2-EXL3-5.0bpw — это квантованный EXL3-драфтер для модели Qwen3.8-27B, опубликованный Mia-AiLab.

755скачиваний за 30 дней9лайковвеса обновлены25 авг 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

Он основан на DFlash2 от inco.ai и z-lab и предназначен для ускорения спекулятивной генерации: модель формирует блоки предполагаемых токенов, которые затем проверяются целевой моделью Qwen3.8-27B. Это не самостоятельная языковая модель и не предназначена для работы без совместимого target-моделя и движка спекулятивного декодирования.

Драфтер имеет размер около 1,93 млрд параметров и поддерживает генерацию блоков до 7 спекулятивных токенов при block_size 8. В архитектуре используются механизм выбора согласованного пути среди кандидатов и двухточечные динамические свёртки, снижающие деградацию качества на длинных блоках. Квантование EXL3 версии 1.4.2 с эффективной точностью 5.0 bpw уменьшает размер весов с 3,85 до 1,4 ГБ. В измерениях на DGX Spark/GB10 оно обеспечило более высокую скорость декодирования при сопоставимом принятии токенов по сравнению с исходной версией bf16.

Модель особенно полезна для высокоскоростного текстового и программного декодирования с использованием Qwen3.8-27B. По данным README, в конкретной конфигурации прирост сквозной скорости составил около 33% относительно bf16-драфтера, а скорость на тесте HumanEval-style достигла 47,5 токена в секунду. Ограничения заключаются в том, что требуется специальная ветка exllamav3 с поддержкой DFlash2; стандартный exllamav3 не подходит. Драфтер также требует дополнительную память для весов и собственного KV-кэша и уступает встроенной MTP-голове целевой модели по компактности.

Лицензия — Apache-2.0, унаследованная от исходного DFlash2. Репозиторий является квантованным производным для exllamav3; разработчиками архитектуры и обучения указаны z-lab и inco.ai.

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

Qwen3.8-27B-DFlash2 · EXL3 · 5.0bpw

EXL3 quantization of the DFlash2 draft model for Qwen/Qwen3.8-27B — a 1.93B block-diffusion speculative-decoding drafter (original bf16 release: incoai/Qwen3.8-27B-DFlash2, DFlash2 blog, GitHub).

This is not a standalone language model. It drafts token blocks for the Qwen3.8-27B target to verify, inside a speculative-decoding engine:

Which drafter? The target checkpoint ships its own MTP draft head — no download, ~20% less KV per token, the max-context option (see the target model). This DFlash2 draft is the max-tokens/s option: ~+15% faster than MTP on the same hardware, at the cost of its 1.4 GB weights and draft KV cache.

  • drafts a whole block (up to 7 speculative tokens, block_size: 8) in one pass
  • keeps top candidates at every position; a lightweight selector traces one coherent path through them
  • two-tap dynamic convolutions in the backbone keep the draft from decaying over long block horizons

The EXL3 quant cuts the draft from 3.85 GB (bf16) to 1.4 GB, which matters because at decode batch sizes the drafter's weight reads are a first-order cost: on DGX Spark (GB10) this raised end-to-end decode throughput +33% over the bf16 draft with acceptance at parity.

Quantization details

settingvalue
formatEXL3 v1.4.2
bits5.0 bpw (module-adaptive, includes the candidate selector)
calibrationdefault calibration data
module rmse~0.00085 (per-projection)
size1.4 GB (from 3.85 GB bf16)

Measured impact (with the 3.5bpw EXL3 target, DGX Spark / GB10)

metricbf16 draftthis quant
greedy acceptance (code prose)2.68–2.802.68–2.74 (one run bit-identical output)
HumanEval-style accept (T = 0.6)4.274.43
decode tok/s (HumanEval, T = 0.6)35.747.5

Usage

Requires the exllamav3 fork with DFlash2 support (architecture, selector walk, and speculative generation loop are fork additions; stock exllamav3 does not implement DFlash2). With the fork's OpenAI-compatible server:

python tools/serve_openai.py --port 8000 \
  -m Qwen3.8-27B-EXL3-3.5bpw \
  -dm Qwen3.8-27B-DFlash2-EXL3-5.0bpw \
  -cq nvfp4 -cs 262144

-dm loads the draft (bf16 or this EXL3 quant both work); -cq nvfp4 is the fork's NVFP4 KV cache. The draft's own KV cache stays fp16 (parity-pinned).

Pair with target: Mia-AiLab/Qwen3.8-27B-EXL3-3.5bpw.

License

Apache-2.0 (inherited from the DFlash2 draft release). This repository is a quantized derivative for exllamav3 speculative decoding; credit for the DFlash2 architecture and training goes to z-lab / inco.ai.

Как запустить

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

GPU в ailist

Универсальный рантайм · exllamav3

Можно запустить

Подбираем GPU…

Класс архитектуры
DFlash2DraftModel
Ревизия весов
4f04362

0 моделей