/ Модель

Характеристики

Лицензия
MIT
Библиотека
transformers
Опубликована
1 мая 2026

Qwen3.6-35B-A3B-DFlash-GGUF

Генерация текстаТекст → текст3 профессии

Qwen3.6-35B-A3B-DFlash-GGUF — это набор весов в формате GGUF, подготовленный abhinand на основе модели z-lab/Qwen3.6-35B-A3B-DFlash.

831скачиваний за 30 дней9лайковвеса обновлены1 мая 2026

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

Модель предназначена не для самостоятельной генерации текста, а для speculative decoding: она выступает облегчённой draft-моделью и должна работать совместно с основной Qwen/Qwen3.6-35B-A3B. Метод DFlash использует блочную диффузионную модель, которая параллельно предлагает несколько токенов, чтобы ускорить авторегрессионную генерацию.

Модель применяется для ускорения инференса языковой модели Qwen3.6-35B-A3B в задачах рассуждений, генерации и объяснения кода, математических задачах, диалогах и других сценариях текстовой генерации. В README указано семейство 35B-A3B, однако отдельные параметры архитектуры, размер контекста и поддерживаемые языки не приведены. Для работы требуются совместимые версии vLLM или SGLang и специальная поддержка DFlash; также упоминается возможность настройки размера окна для длинного контекста и агентских нагрузок.

Заявленное преимущество — ускорение генерации до 2,9 раза при одной параллельной сессии и примерно до 1,4–2,5 раза при более высокой конкуренции в зависимости от задачи и конфигурации. Ограничения состоят в необходимости использовать совместимую основную модель, специализированный runtime и аппаратные ресурсы; приведённые результаты получены на одной NVIDIA B200 и могут не воспроизводиться в других условиях. Репозиторий распространяется по лицензии MIT.

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

Qwen3.6-35B-A3B-DFlash

[!Note] This repository provides GGUF converted weights for use with the llama.cpp dflash fork, based on the original model z-lab/Qwen3.6-35B-A3B-DFlash.

Paper | GitHub | Blog

DFlash is a speculative decoding method that uses a lightweight block diffusion model to draft multiple tokens in parallel. This is the drafter model, which must be paired with Qwen/Qwen3.6-35B-A3B.

Quick Start

Installation

vLLM (We temporarily modify the installation through this PR to support interleaved SWA and ensure correct handling of target hidden states for optimal performance):

uv pip install vllm
uv pip install -U --torch-backend=auto "vllm @ git+https://github.com/vllm-project/vllm.git@refs/pull/40898/head"

SGLang:

uv pip install "git+https://github.com/sgl-project/sglang.git@refs/pull/20547/head#subdirectory=python"

Launch Server

vLLM:

vllm serve Qwen/Qwen3.6-35B-A3B \
  --speculative-config '{"method": "dflash", "model": "z-lab/Qwen3.6-35B-A3B-DFlash", "num_speculative_tokens": 15}' \
  --attention-backend flash_attn \
  --max-num-batched-tokens 32768

SGLang:

# Optional: enable schedule overlapping (experimental, may not be stable)
# export SGLANG_ENABLE_SPEC_V2=1
# export SGLANG_ENABLE_DFLASH_SPEC_V2=1
# export SGLANG_ENABLE_OVERLAP_PLAN_STREAM=1

python -m sglang.launch_server \
    --model-path Qwen/Qwen3.6-35B-A3B \
    --speculative-algorithm DFLASH \
    --speculative-draft-model-path z-lab/Qwen3.6-35B-A3B-DFlash \
    --speculative-num-draft-tokens 16 \
    --tp-size 1 \
    --attention-backend fa3 \
    --mem-fraction-static 0.75 \
    --mamba-scheduler-strategy extra_buffer \
    --trust-remote-code

Tip: For long-context or agentic workloads, add --speculative-dflash-draft-window-size WINDOW_SIZE to enable sliding-window attention for the drafter.

Usage

from openai import OpenAI

client = OpenAI(base_url="http://localhost:30000/v1", api_key="EMPTY")

response = client.chat.completions.create(
    model="Qwen/Qwen3.6-35B-A3B",
    messages=[{"role": "user", "content": "Write a quicksort in Python."}],
    max_tokens=4096,
    temperature=0.0
)
print(response.choices[0].message.content)

Benchmark Results

Setup: Single NVIDIA B200, SGLang, thinking enabled, max output length 4096. We report end-to-end throughput, including prefill time. See our GitHub repository for reproduction scripts.

Throughput and Speedup

DFlash achieves up to 2.9x speedup at concurrency 1.

Tokens/sec (speedup vs. autoregressive baseline)

Block Size = 16

TaskConcurrencyARDFlash
Math5001234682 (2.9x)
812663138 (2.5x)
1619544813 (2.5x)
3227556520 (2.4x)
GSM8K1235556 (2.4x)
812362564 (2.1x)
1618863821 (2.0x)
3226995239 (1.9x)
HumanEval1238603 (2.5x)
812552800 (2.2x)
1619444208 (2.2x)
3227675782 (2.1x)
MBPP1235559 (2.4x)
812242538 (2.1x)
1619483816 (2.0x)
3227805378 (1.9x)
MT-Bench1233442 (1.9x)
812382028 (1.6x)
1618852997 (1.6x)
3226334034 (1.5x)
Alpaca1235393 (1.7x)
812211782 (1.5x)
1618442567 (1.4x)
3225793689 (1.4x)

Block Size = 8

TaskConcurrencyARDFlash
Math5001234617 (2.6x)
812662839 (2.2x)
1619544465 (2.3x)
3227556614 (2.4x)
GSM8K1235540 (2.3x)
812362466 (2.0x)
1618863899 (2.1x)
3226995713 (2.1x)
HumanEval1238561 (2.4x)
812552655 (2.1x)
1619444135 (2.1x)
3227676059 (2.2x)
MBPP1235497 (2.1x)
812242324 (1.9x)
1619483636 (1.9x)
3227804884 (1.8x)
MT-Bench1233438 (1.9x)
812382060 (1.7x)
1618853182 (1.7x)
3226334720 (1.8x)
Alpaca1235407 (1.7x)
812211880 (1.5x)
1618442903 (1.6x)
3225794115 (1.6x)

Acceptance Length

TaskB8B16
Math5005.567.35
GSM8K5.216.73
HumanEval5.096.44
MBPP4.785.83
MT-Bench4.205.14
Alpaca3.944.62

Acknowledgements

Special thanks to David Wang for his outstanding engineering support on this project. We are also grateful to Modal, InnoMatrix, and Yotta Labs for providing the compute resources used to train this draft model.

Citation

If you find DFlash useful, please cite our work. To share feedback on DFlash or request new model support, please fill out this form: DFlash Feedback.

@article{chen2026dflash,
  title   = {{DFlash: Block Diffusion for Flash Speculative Decoding}},
  author  = {Chen, Jian and Liang, Yesheng and Liu, Zhijian},
  journal = {arXiv preprint arXiv:2602.06036},
  year    = {2026}
}

Как запустить

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

GPU в ailist

llama.cpp

Нельзя запустить

GGUF-модель ждёт проверки: нужно выбрать файл кванта под доступные GPU.

Ревизия весов
97ea138

0 моделей