/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2 млрд
Лицензия
MIT
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
18 июн 2026

qwen35-9b-dflash

Генерация текстаТекст → текст3 профессии

Вспомогательная модель DFlash на архитектуре Qwen3 предлагает блоки токенов для спекулятивного декодирования и ускорения генерации текста вместе с Qwen/Qwen3.5-9B.

26скачиваний за 30 дней0лайковвеса обновлены18 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

alhparsa/qwen35-9b-dflash — вспомогательная модель DFlash для ускорения генерации текста при спекулятивном декодировании. Она использует лёгкую блочную диффузионную архитектуру, чтобы параллельно предлагать несколько токенов для проверки основной авторегрессионной моделью; её нужно использовать вместе с Qwen/Qwen3.5-9B. В README заявлено ускорение до 4,4 раза относительно обычного авторегрессионного декодирования в описанных тестах на NVIDIA B200 с vLLM или SGLang.

В метаданных указаны семейство Qwen3, архитектура DFlashDraftModel, 2 млрд параметров, контекст 262 144 токена, формат safetensors и библиотека Transformers. Модель предназначена для повышения пропускной способности при генерации, включая длинные контексты и агентные сценарии; сама по себе она не заменяет основную языковую модель. Лицензия — MIT. Результаты скорости зависят от оборудования, настроек и нагрузки.

Сценарии применения

  • ускорение генерации текста с Qwen3.5-9B
  • повышение пропускной способности сервера языковой модели
  • ускорение ответов в длинных контекстах
  • ускорение генерации в агентных сценариях

Ограничения

Требует совместного использования с основной моделью Qwen/Qwen3.5-9B и совместимым сервером инференса. Заявленное ускорение зависит от оборудования и конфигурации; приведённые бенчмарки выполнены на NVIDIA B200.

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

Qwen3.5-9B-DFlash

Paper | GitHub | Blog

DFlash is a speculative decoding method that uses a lightweight block diffusion model to draft multiple tokens in parallel, achieving up to 4.4x speedup over autoregressive decoding. This is the drafter model, which must be paired with Qwen/Qwen3.5-9B.

Quick Start

Installation

vLLM:

uv pip install vllm
uv pip install -U vllm --torch-backend=auto --extra-index-url https://wheels.vllm.ai/nightly

SGLang:

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

Launch Server

vLLM:

vllm serve Qwen/Qwen3.5-9B \
  --speculative-config '{"method": "dflash", "model": "z-lab/Qwen3.5-9B-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/Qwen3.5-9B \
    --speculative-algorithm DFLASH \
    --speculative-draft-model-path z-lab/Qwen3.5-9B-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/Qwen3.5-9B",
    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 outperforms MTP across all block sizes and concurrency levels, achieving up to 4.4x speedup at concurrency 1.

Tokens/sec (speedup vs. autoregressive baseline)

Block Size = 16

TaskConcurrencyARMTPDFlash
Math5001197379 (1.9x)808 (4.1x)
814722569 (1.7x)5114 (3.5x)
1628314206 (1.5x)7508 (2.7x)
3247016028 (1.3x)9286 (2.0x)
GSM8K1198342 (1.7x)697 (3.5x)
814702331 (1.6x)4351 (3.0x)
1627813794 (1.4x)6325 (2.3x)
3245815445 (1.2x)7559 (1.6x)
HumanEval1193378 (2.0x)840 (4.4x)
814142461 (1.7x)4837 (3.4x)
1626383916 (1.5x)6722 (2.5x)
3242175423 (1.3x)8285 (2.0x)
MBPP1194335 (1.7x)755 (3.9x)
814212064 (1.5x)4202 (3.0x)
1626673358 (1.3x)5843 (2.2x)
3241604610 (1.1x)6961 (1.7x)
MT-Bench1194297 (1.5x)587 (3.0x)
814511945 (1.3x)3611 (2.5x)
1627873115 (1.1x)5185 (1.9x)
3245784453 (1.0x)6225 (1.4x)
Alpaca1197278 (1.4x)545 (2.8x)
814601816 (1.2x)3382 (2.3x)
1627893009 (1.1x)5002 (1.8x)
3245744326 (1.0x)6247 (1.4x)

Block Size = 8

TaskConcurrencyARMTPDFlash
Math5001195452 (2.3x)664 (3.4x)
814583199 (2.2x)4703 (3.2x)
1628255390 (1.9x)7804 (2.8x)
3247127941 (1.7x)11003 (2.3x)
GSM8K1196421 (2.1x)591 (3.0x)
814642954 (2.0x)4106 (2.8x)
1627754939 (1.8x)6733 (2.4x)
3245677246 (1.6x)9375 (2.1x)
HumanEval1193446 (2.3x)667 (3.5x)
814113020 (2.1x)4366 (3.1x)
1626314884 (1.9x)6815 (2.6x)
3240776819 (1.7x)8899 (2.2x)
MBPP1197409 (2.1x)634 (3.2x)
814402710 (1.9x)3992 (2.8x)
1626824435 (1.7x)6128 (2.3x)
3241526213 (1.5x)8026 (1.9x)
MT-Bench1198374 (1.9x)525 (2.7x)
814782612 (1.8x)3668 (2.5x)
1628364323 (1.5x)5905 (2.1x)
3246176335 (1.4x)8288 (1.8x)
Alpaca1196360 (1.8x)503 (2.6x)
814502497 (1.7x)3493 (2.4x)
1628024194 (1.5x)5714 (2.0x)
3245726175 (1.4x)8077 (1.8x)

Acceptance Length

Format: MTP / DFlash

TaskB8B16
Math5005.46 / 5.676.66 / 7.34
GSM8K5.27 / 5.336.37 / 6.71
HumanEval5.39 / 5.876.61 / 7.93
MBPP4.78 / 5.315.49 / 6.62
MT-Bench4.52 / 4.535.30 / 5.49
Alpaca4.38 / 4.355.03 / 5.10

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

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
DFlashDraftModel
Ревизия весов
7a1dcbf

0 моделей