/ Модель

Характеристики

Контекст
16 384 токена
Параметры
722 млн
Лицензия
MIT
Архитектура
llama · dense
Базовая модель
DeepSeek-V4-Flash
Библиотека
transformers
Опубликована
7 июн 2026

DeepSeek-V4-Flash-EAGLE3.1

Генерация текстаТекст → текст3 профессии

Черновая голова EAGLE-3.1 для ускорения генерации DeepSeek-V4-Flash с помощью speculative decoding в пропатченном vLLM.

73скачиваний за 30 дней8лайковвеса обновлены7 июн 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

DeepSeek-V4-Flash-EAGLE3.1 — черновая голова EAGLE-3.1 для ускорения генерации модели deepseek-ai/DeepSeek-V4-Flash методом speculative decoding. Разработчик модели в README не назван; обучение выполнено с TorchSpec и данными, извлечёнными через vLLM. Веса содержат 722,5 млн параметров, а архитектура описана как однослойная голова Llama; контекст составляет 16 384 токена.

Модель предназначена для совместного использования с DeepSeek-V4-Flash при обслуживании через vLLM: она предлагает черновые токены, которые целевая модель проверяет, сохраняя её генерацию и потенциально повышая пропускную способность. README сообщает об ускорении примерно в 2,6 раза на тестовой конфигурации с пропатченным vLLM, а также приводит результаты на общих и агентных запросах.

Это исследовательский предварительный выпуск, требующий специального overlay-патча Maniac для vLLM; обычная установка vLLM не поддерживает нужный захват вспомогательных состояний. В README также указано отсутствие поддержки MLX, SGLang и llama.cpp в этом выпуске. Лицензия черновых весов — MIT, при этом для базовой DeepSeek-V4-Flash действуют её собственные условия.

Сценарии применения

  • ускорение генерации DeepSeek-V4-Flash при обслуживании через vLLM
  • повышение пропускной способности генерации текста
  • ускорение ответов на агентные запросы
  • эксперименты со speculative decoding для DeepSeek-V4-Flash

Ограничения

Для обслуживания требуется специальный overlay-патч Maniac для vLLM; обычный vLLM, MLX, SGLang и llama.cpp не поддерживаются в описанном выпуске. Ожидаемое ускорение составляет примерно 2,5–2,7 раза, а не 3,5 раза, и зависит от конфигурации.

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

DeepSeek-V4-Flash-EAGLE3.1 is an EAGLE-3.1 speculative-decoding draft head for accelerating inference of DeepSeek-V4-Flash.

This is, to our knowledge, the first public EAGLE-3.1 draft head for DeepSeek V4-Flash. It is a research preview: training metrics are solid, wall-clock speedup is ~2.6× on patched vLLM, but serving still requires a vLLM overlay patch (upstream deepseek_v4 does not expose EAGLE-3 aux capture).

Training used TorchSpec offline EAGLE-3.1 (fc_norm + norm_output) with hidden states extracted through vLLM's extract_hidden_states path and a Maniac deepseek_v4 overlay.

Architecture

PropertyValue
Draft body1-layer Llama EAGLE-3.1 head (~400M params)
Targetdeepseek-ai/DeepSeek-V4-Flash (284B total, 13B active MoE)
Aux taps (logical)layers [1, 21, 40] (output-of-layer ids)
vLLM capture indices[2, 22, 41] (+1 shift; see config)
mHC reductionmean over 4 hyper-connection copies
Draft vocab32,000 (top-k from training corpus)
TTT depth (train)7

See config.json for full hyperparameters.


Training

  • Framework: TorchSpec offline trainer + vLLM 0.21+ datagen (extract_hidden_states)
  • Cluster: Modal serverless — H200:8 for training, B200:4 for eval
  • Corpus (genv3-blend): 65k general (mlabonne/open-perfectblend) + 6k agentic (8.5% blend)
  • Schedule: 4 epochs, 4436 steps, global batch 64, lr 1e-4, max seq 8192
  • On-policy: greedy generation (temperature 0) — train the distribution you verify
  • W&B: maniac-labs/eagle3-v4flash run v4-flash-eagle3.1-genv3-blend3

The 6k agentic blend fixed a release-critical gap: agentic held-out E[A]@S7 went from 0.418 (general-only head) to 1.876 with no general regression (1.861 → 1.859).

Training code and patches: github.com/ManiacIncorporated/maniac-desktop/tree/main/training/eagle3-v4flash


Performance

Held-out acceptance (primary training metric)

Metric convention: τ (acceptance length) = 1 + E[A], where E[A] is cumulative per-depth acceptance (TorchSpec sim_acc_len, depth capped at S). Kimi benchmarks at depth 3; we report both S=3 and S=7.

Splitnacc₀E[A]@S3E[A]@S7τ@3
General (genv3-eval)5120.7131.4731.8592.47
Agentic (genv3-evalreg)640.6971.4491.8762.45

Per-depth general: [0.713, 0.658, 0.622, 0.610, 0.600, 0.593, 0.589]
Per-depth agentic: [0.697, 0.657, 0.642, 0.638, 0.633, 0.629, 0.626]

Reference (Kimi K2.5/K2.6 EAGLE-3.1 @ depth 3): τ ≈ 2.69 (dialogue) – 3.8 (function-call). This head sits at the dialogue low end — not Kimi SOTA, but strong for a smaller target.

Wall-clock speedup (vLLM 0.22, B200:4, patched overlay)

MetricBaselineEAGLE-3.1
Throughput15.6 tok/s41.1 tok/s2.63×
Mean accept len—1.33
Draft acceptance rate*—11.0%

*vLLM counter: accepted draft tokens / total draft tokens (not identical to offline acc₀).

Eval: 8 prompts × 128 greedy tokens, raw strings (no chat template). Full JSON in benchmark_results.json.

Greedy correctness: spec vs baseline token match 44.6% exceeds baseline vs baseline 35.9% (same cross-run FP8+EP noise floor) — EAGLE verify is lossless in principle.


Quick Start

Requires vLLM overlay. See SERVING.md for install steps.

Python

from vllm import LLM, SamplingParams

llm = LLM(
    model="deepseek-ai/DeepSeek-V4-Flash",
    trust_remote_code=True,
    tensor_parallel_size=4,
    enable_expert_parallel=True,
    enforce_eager=True,
    kv_cache_dtype="fp8",
    gpu_memory_utilization=0.6,
    speculative_config={
        "method": "eagle3",
        "model": "ManiacLabs/DeepSeek-V4-Flash-EAGLE3.1",
        "num_speculative_tokens": 3,
    },
)

Set EAGLE3_DRAFT_KV_CACHE_DTYPE=auto and install the overlay before importing vLLM.


Limitations

  • Not plug-and-play: stock vLLM cannot serve V4 + EAGLE-3 without the Maniac overlay.
  • No MLX port yet: local Mac inference path is documented but not shipped.
  • No SGLang / llama.cpp support in this release.
  • acc₀ ~0.71 vs ~0.85+ on larger Kimi targets — expect ~2.5–2.7×, not ~3.5×, unless you retrain with more data / feature ablations.
  • Training pool: ~13% duplicate general prompts (open-perfectblend trait); disclosed for reproducibility.
  • License: MIT on draft weights; base model terms apply for DeepSeek-V4-Flash.

Citation

If you use this draft head, please cite the base model and acknowledge the training stack (TorchSpec + vLLM EAGLE-3). Training logs: W&B project maniac-labs/eagle3-v4flash.


Links

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLMEagle3
Ревизия весов
4c68aa4

0 моделей