/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
2,8 млрд
Лицензия
MIT
Архитектура
qwen3 · dense
Базовая модель
GLM-5.2-FP8
Библиотека
transformers
Опубликована
6 июл 2026

GLM-5.2-FP8-DFlash

Генерация текстаТекст → текст3 профессии

Черновик DFlash для GLM-5.2-FP8, ускоряющий генерацию текста базовой моделью за счёт speculative decoding, особенно на задачах по коду и математике.

541скачиваний за 30 дней11лайковвеса обновлены11 июл 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

GLM-5.2-FP8-DFlash — вспомогательная модель-черновик DFlash для ускорения генерации ответов базовой моделью GLM-5.2-FP8. Её разработала UCloud-org; это дообучение примерно 2,8-миллиардной плотной модели DFlashDraftModel на основе GLM-5.2-FP8, крупной MoE-модели с 743 млрд параметров и 39 млрд активных параметров. Модель предназначена для speculative decoding: она предлагает блоки токенов, которые базовая модель проверяет при генерации текста. Это не самостоятельная модель для обычного диалога.

Черновик обучен на примерно 800 тысячах примеров из Nemotron-Post-Training-v2 и CodeAlpaca, охватывающих программирование, математику и чат. В тестах с SGLang показаны ускорения относительно обычной генерации на GSM8K, HumanEval и Math500; по коду и математике модель также превосходила встроенный MTP базовой модели. Репозиторий содержит веса safetensors, а для использования заявлена библиотека Transformers и поддержка DFlash в SGLang; README также упоминает поддержку в vLLM 0.20.1 и новее. Указаны контекст базовой модели в 1 048 576 токенов и лицензия MIT.

Результаты на китайских задачах и чат-сценариях уступают встроенному MTP; корпус обучения преимущественно англоязычный. Черновик обучался с максимальной длиной 3072 токена, поэтому его эффективность на длинных запросах может снижаться. Ускорение при режиме рассуждений не оценивалось, а работа в vLLM на инфраструктуре автора не была проверена.

Сценарии применения

  • ускорение генерации кода базовой моделью GLM-5.2-FP8
  • ускорение решения математических задач при генерации
  • ускорение генерации ответов в SGLang с DFlash
  • снижение задержки авторегрессионной генерации через speculative decoding

Ограничения

На длинных запросах эффективность может снижаться, поскольку черновик обучался с max_length 3072; ускорение в режиме рассуждений не оценивалось. На китайских задачах и чат-сценариях принятие токенов ниже, чем у встроенного MTP базовой модели.

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

GLM-5.2-FP8-DFlash

Paper | DFlash GitHub | SpecForge

DFlash block-diffusion speculative-decoding drafter for GLM-5.2-FP8 (743B MoE, 39B active). Standard DFlash method (no extensions), trained with SpecForge on the paper-specified data recipe: ~800K samples of Nemotron-Post-Training-v2 + CodeAlpaca (code / math / chat), all responses regenerated by GLM-5.2-FP8, 6 epochs — directly comparable to the DFlash paper and the z-lab drafter series.

Quick Start (SGLang)

python -m sglang.launch_server \
    --model-path zai-org/GLM-5.2-FP8 \
    --speculative-algorithm DFLASH \
    --speculative-draft-model-path UCloud-org/GLM-5.2-FP8-DFlash \
    --speculative-num-draft-tokens 16 \
    --tp-size 8 \
    --trust-remote-code

vLLM v0.20.1+ has native DFlash support and reads this checkpoint directly, no conversion needed. Not yet runtime-verified on our infrastructure; the results below were produced via SGLang.

Evaluation

Mean accepted length & end-to-end speedup

Measured on live SGLang serving (concurrency 1, greedy decoding unless noted).

BenchmarkAL (built-in MTP)AL (DFlash)DFlash throughput (tok/s)Speedup vs vanillavs built-in MTP
gsm8k4.014.442362.22x1.51x
humaneval4.426.433833.44x1.42x
math5004.917.774774.28x1.54x
mbpp5.238.044784.29x1.46x
mtbench3.713.562201.99x0.93x
ceval3.652.981771.62x0.93x

Built-in MTP baseline uses the official GLM-5.2 recipe (EAGLE, steps 5 / topk 1 / draft tokens 6). This drafter is code/math-optimized: it delivers 1.4-1.5x over the (already strong) built-in MTP on code and math workloads, while chat and Chinese-language workloads slightly favor built-in MTP (see Limitations).

ceval (Chinese) is the weakest domain — the training corpus is English-dominant (see Limitations).

Also mirrored on ModelScope: UCloud-AILab/GLM-5.2-FP8-DFlash.

Training Details

  • Target model: GLM-5.2-FP8 (hidden 6144, 78 layers; drafter conditions on target layers [1, 20, 38, 56, 75])
  • Drafter: 5-layer block-diffusion transformer, block_size 16, 3.7B total parameters (1.8B independently trained; embed/lm_head reused from target, frozen, not trained, included for standalone inference)
  • Data: JessieWei/GLM-5.2-FP8-nemotron-codealpaca — Nemotron-Post-Training-v2 + CodeAlpaca, ~800K samples (paper-specified recipe), all responses regenerated by GLM-5.2-FP8 (non-thinking mode), max_length 3072
  • Recipe: 6 epochs, AdamW with update clipping (StableAdamW-style), lr 6e-4 cosine (4% warmup), grad-clip 1.0, num_anchors 512, loss_decay_gamma 7, pure cross-entropy (standard DFlash loss)
  • Framework: SpecForge (offline hidden-state pipeline), FSDP2

Limitations

  • Trained on non-thinking-mode regenerated data; speedup under thinking-mode inference has not been evaluated yet.
  • Trained with max_length 3072: accept length degrades on very long prompts. For long-context workloads, benchmark against the built-in MTP before choosing.
  • Training corpus is English-dominant: acceptance length on Chinese-language workloads is lower (ceval AL 2.98 vs 4.4-8.0 on English benchmarks).

Acknowledgements

DFlash (z-lab), SpecForge / SGLang (sgl-project). GLM-5.2 by Zhipu AI.

Citation

If you use this model, please cite:

@misc{ucloud2026glm52dflash,
  title        = {GLM-5.2-FP8-DFlash: A DFlash Speculative-Decoding Drafter for GLM-5.2-FP8},
  author       = {Wei, Xiaojun and {UCloud AILab}},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/UCloud-org/GLM-5.2-FP8-DFlash}}
}

This model is trained with the DFlash method — please also cite:

@misc{chen2026dflash,
  title         = {DFlash: Block Diffusion for Flash Speculative Decoding},
  author        = {Chen, Jian and Liang, Yesheng and Liu, Zhijian},
  year          = {2026}, eprint = {2602.06036}, archivePrefix = {arXiv},
  primaryClass  = {cs.CL}, url = {https://arxiv.org/abs/2602.06036}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
DFlashDraftModel
Ревизия весов
2261b3c

0 моделей