/ Модель

Характеристики

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

Qwen3.8-27B-DFlash2-fp8-vllm

Генерация текстаТекст → текст3 профессии

TechPrototyper/Qwen3.8-27B-DFlash2-fp8-vllm — это FP8-квантизированная draft-модель DFlash 2 для ускорения спекулятивного декодирования модели Qwen/Qwen3.8-27B в сервере vLLM.

340скачиваний за 30 дней1лайквеса 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

Архитектура и исходные веса разработаны Inco AI на основе подхода DFlash от z-lab, а FP8-реквантизация и упаковка для vLLM выполнены авторами данного репозитория. Модель не является самостоятельной языковой моделью: она генерирует блоки кандидатов, после чего каждый токен проверяется целевой моделью.

DFlash 2 использует блочно-диффузионный подход: предсказывает блок токенов за один проход, сохраняет наиболее вероятные варианты для каждой позиции и с помощью селектора выбирает согласованную последовательность. Динамические свёртки с двумя tap-компонентами уменьшают деградацию качества к концу блока. Проекционные веса transformer-компонентов квантизированы в FP8 E4M3 с симметричными статическими поканальными масштабами, активации используют динамическое FP8-масштабирование по токенам; отдельные свёрточные компоненты, селектор, выходная голова, нормализации и embeddings сохранены в более высокой точности. Размер весов составляет около 2,1 ГБ, размер блока — 8 токенов, из которых 7 предлагаются для проверки за шаг.

Модель предназначена для запуска внутри vLLM с поддержкой DFlash speculative decoding и требует целевой модели Qwen3.8-27B, метода dflash и загрузки через compressed-tensors. Её сильная сторона — потенциальное ускорение генерации при сохранении распределения и корректности вывода, поскольку все предложенные токены проверяет целевая модель; точность квантизации влияет главным образом на длину принятых последовательностей и скорость. Ограничения заключаются в невозможности самостоятельного использования и зависимости от специальной версии vLLM. Языки и размер контекстного окна в README не указаны. Лицензия — Apache-2.0.

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 — FP8 (vLLM)

FP8-quantized DFlash 2 draft model for Qwen/Qwen3.8-27B, packaged for speculative decoding in vLLM.

This is not a standalone language model. It runs inside a speculative decoding server and drafts token blocks for the target model to verify. It is an FP8 requantization of the DFlash 2 drafter published by Inco AI / incoai/Qwen3.8-27B-DFlash2.

What this is

DFlash 2 is a block-diffusion drafter for speculative decoding: it predicts a whole block of tokens in a single pass, keeps the top candidates at every position, and a lightweight selector traces one coherent path through them. Two-tap dynamic convolutions in the backbone keep the draft from decaying toward the end of the block.

This repository quantizes the transformer projection weights (q/k/v/o_proj, gate/up/down_proj) to FP8 (E4M3) using compressed-tensors:

  • Weights: FP8, per-channel static scales, symmetric.
  • Activations: FP8, dynamic per-token.
  • Kept in higher precision (not quantized): the DFlash convolution taps (attention_conv, mlp_conv), the candidate selector, the fc head, all norms, and the embeddings.

The FP8 weights shrink the drafter to ~2.1 GB. Because the target model verifies every drafted token, speculative decoding stays distribution-preserving regardless of drafter precision — quantizing the drafter changes acceptance length (speed), not the correctness of the emitted tokens.

Usage (vLLM)

Requires a vLLM build with DFlash speculative-decoding support (vLLM PR #53122). Pass this repo as the speculative model and declare compressed-tensors so the FP8 drafter weights are loaded correctly:

vllm serve Qwen/Qwen3.8-27B \
  --speculative-config '{
    "method": "dflash",
    "model": "TechPrototyper/Qwen3.8-27B-DFlash2-fp8-vllm",
    "quantization": "compressed-tensors",
    "num_speculative_tokens": 7
  }'

The drafter uses a block size of 8 (7 draft tokens per verification step). Use Qwen3.8's recommended sampling parameters (temperature 1.0, top_p 0.95, top_k 20).

Attribution

  • Drafter architecture and weights: DFlash 2 by Inco AI — incoai/Qwen3.8-27B-DFlash2, built on the original DFlash work from z-lab/dflash.
  • vLLM integration path: DFlash speculative decoding, vLLM PR #53122.
  • FP8 requantization: this repository (compressed-tensors, per-channel).

Citation

@misc{inco2026dflash2,
  title  = {{DFlash 2: Keep Drafting Parallel}},
  author = {{Inco AI}},
  year   = {2026},
  month  = {August},
  url    = {https://inco.ai/blog/dflash2/}
}

@inproceedings{chen2026dflash,
  title     = {{DFlash: Block Diffusion for Flash Speculative Decoding}},
  author    = {Chen, Jian and Liang, Yesheng and Liu, Zhijian},
  booktitle = {International Conference on Machine Learning (ICML)},
  year      = {2026}
}

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
DFlash2DraftModel
Ревизия весов
a59c3ad

0 моделей