/ Модель

Характеристики

Контекст
131 072 токена
Параметры
7,5 млрд
Размер весов
16,9 ГБ
Лицензия
Llama 3.1
Архитектура
llama_swiftkv · dense
Базовая модель
Llama-3.1-8B-Instruct
Опубликована
3 дек 2024

Llama-3.1-SwiftKV-8B-Instruct

Генерация текстаТекст → текст13 профессий

Инструкционная модель Snowflake на базе Llama 3.1 8B с оптимизацией SwiftKV для более быстрой и экономичной генерации текста.

207скачиваний за 30 дней8лайковвеса обновлены14 авг 2025

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

Snowflake AI Research разработала Snowflake/Llama-3.1-SwiftKV-8B-Instruct — инструкционную языковую модель на архитектуре Llama-3.1 с преобразованием SwiftKV для ускорения вывода. Метод оптимизирует обработку входного промпта: перенастраивает модель и применяет дистилляцию с сохранением знаний, чтобы часть токенов при обработке промпта могла пропускать до половины слоёв. Репозиторий содержит веса в формате safetensors; число параметров — 7,5 млрд, контекст — до 131 072 токенов.

Модель предназначена для генерации текста и диалоговых сценариев, где важны скорость обработки промптов и эффективность обслуживания запросов. В README заявлены улучшения пропускной способности, задержки и стоимости до 2 раз при небольшой потере точности; для версии 8B приведены результаты бенчмарков, где среднее значение снизилось с 73,71 до 72,70 относительно базовой модели. Поддерживается лицензия Llama 3.1; применяются её условия использования.

Сценарии применения

  • диалоговые ответы на пользовательские запросы
  • генерация текста по инструкциям
  • обслуживание LLM-запросов с низкой задержкой
  • обработка длинных промптов до 128K токенов

Ограничения

В приведённых бенчмарках SwiftKV показывает небольшое снижение среднего результата по сравнению с базовой Llama-3.1-8B-Instruct. Для работы с оптимизированными весами README ориентирует на обслуживание через vLLM.

Для каких профессий подходит13

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SwiftKV

The Snowflake AI Research team is releasing a series of SwiftKV optimized Llama-3.1 models. SwiftKV is a series of inference optimizations that goes beyond traditional key-value (KV) cache compression. This method reduces computational overhead during prompt processing by combining model rewiring and knowledge-preserving self-distillation, allowing prefill tokens to skip up to half the model's layers. SwiftKV achieves up to 2x improvements in throughput, latency, and cost efficiency with minimal accuracy loss, making LLM deployments more performant and economically viable.

For more details about SwiftKV and how to use it:

Revisions

  • release-2508 (Aug 2025): Updated model weights for long-context up to 128K
  • release-2412 (Dec 2024): Initial model release

Performance Metrics

To evaluate SwiftKV’s performance, we focus on the following key metrics (see more details in our blog):

  • Combined throughput: The total number of input and output tokens processed per second. This determines:
    • For batch processing, the time required to complete jobs.
    • For interactive use, the volume of concurrent requests a system can handle.
  • TTFT: The latency between a user request and receiving the first token in the response.
  • TPOT: The latency between subsequent tokens after the first token.

Combined input and output throughput for Llama 3.1 70B (left) and Llama 3.1 405B (right) across a range of input lengths (bottom).

TTFT (top) and TPOT (bottom) for input lengths 2000 (left), 8000 (middle), and 32000 (right) for Llama 3.1 405B fp8 model. For each experiment, a range of different request arrival rates is simulated. Each request generates 256 output tokens.

Eval Metrics

For a full breakdown on evaluation metrics and performance impact please refer to our blog and arXiv paper but below we've outlined some relevant evaluation metrics.

Llama-3.1-405B-Instruct-FP8Arc ChallengeWinograndeHellaSwagTruthfulQAMMLUMMLU cotGSM8KAvg
Baseline94.787.088.364.787.588.196.186.6
50% SingleInputKV94.086.388.164.285.787.595.285.9
Llama-3.1-8B-InstructArc ChallengeWinograndeHellaSwagTruthfulQAMMLUMMLU cotGSM8KAvg
Baseline82.0077.9080.4054.5667.9070.6382.5673.71
50% SingleInputKV80.3878.2279.3054.5467.3069.7379.4572.70

Get started by serving SwiftKV on vLLM

Instructions on how to use vLLM for both evaluation and performance benchmarks: https://github.com/Snowflake-Labs/vllm/tree/swiftkv/examples/swiftkv

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура llama_swiftkv неизвестна transformers в образе рантайма.

Класс архитектуры
LlamaSwiftKVForCausalLM
Ревизия весов
22a50b8

0 моделей