/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
1,7 млрд
Лицензия
MIT
Архитектура
llama · dense
Базовая модель
MiniMax-M3-MXFP4
Библиотека
transformers
Опубликована
23 июл 2026

MiniMax-M3-EAGLE3.1

Генерация текстаТекст → текст3 профессии

Черновая модель EAGLE3.1, ускоряющая генерацию MiniMax-M3-MXFP4 посредством спекулятивного декодирования в vLLM на ROCm.

198скачиваний за 30 дней0лайковвеса обновлены1 сен 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

MiniMax-M3-EAGLE3.1 — черновая модель EAGLE3.1 для ускорения генерации текста целевой моделью amd/MiniMax-M3-MXFP4 с помощью спекулятивного декодирования. Её разработала команда AMD Quark; модель обучена с нуля на ускорителях AMD Instinct MI350X. Это плотная архитектура на базе LlamaForCausalLMEagle3 с одним декодерным слоем, полным словарём и весами BF16. Размер — 1,7 млрд параметров; заявленный контекст — до 1 048 576 токенов. Модель принимает текст и выдаёт текст, используя токенизатор целевой модели, файлы токенизатора отдельно не поставляются.

Модель предназначена для совместного запуска с MiniMax-M3-MXFP4 в vLLM на ROCm; README указывает поддержку AMD Instinct MI350X и MI355X. По приведённым тестам SPEED-Bench она повышает пропускную способность генерации и сокращает сквозную задержку, но увеличивает задержку до первого токена. Спекулятивное декодирование сохраняет распределение выходов целевой модели, поскольку каждый черновой токен проверяется ею. Лицензия — MIT.

Сценарии применения

  • ускорение генерации текста целевой моделью MiniMax-M3-MXFP4
  • ускорение ответов на вопросы по документам при использовании RAG
  • ускорение генерации кода целевой моделью
  • ускорение решения математических задач целевой моделью

Ограничения

Предназначена для спекулятивного декодирования именно с amd/MiniMax-M3-MXFP4 и требует совместимой среды vLLM на ROCm; в README указано оборудование MI350X/MI355X. В опубликованных тестах задержка до первого токена была выше на 18,5%, а измерения проводились при конкретных настройках SPEED-Bench.

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

MiniMax-M3-EAGLE3.1

Model Overview

  • Model Architecture: LlamaForCausalLMEagle3 (EAGLE3 speculative-decoding draft model)
    • Input: Text
    • Output: Text
  • Draft variant: EAGLE3.1 (single decoder layer, full vocabulary, BF16)
  • Target model: amd/MiniMax-M3-MXFP4
  • Supported Hardware Microarchitecture: AMD Instinct MI350X / MI355X
  • Inference Engine: vLLM (ROCm)
  • Trained by: the AMD Quark team

MiniMax-M3-EAGLE3.1 is an EAGLE3 draft model for accelerating inference of amd/MiniMax-M3-MXFP4 with speculative decoding. It was trained from scratch (cold-start) entirely on AMD Instinct MI350X GPUs with a vLLM-centric pipeline (on-policy data generated by the target, hidden-state extraction from the target, and in-loop serve-evaluation). Speculative decoding is lossless — every draft token is verified by the target, so the target's output distribution is preserved.

Intended Use

This model is intended to be used as an EAGLE3 draft model for speculative decoding with amd/MiniMax-M3-MXFP4 as the target model. It reuses the target's tokenizer, so no tokenizer files are shipped with the draft.

Acceptance Length

Evaluated on the official SPEED-Bench harness (specdec_bench) at TP=8 on vLLM ROCm v0.27.1 with native AITER MXFP4 MoE kernels, using num_speculative_tokens=3 and temperature 0. Qualitative results are the mean of two complete runs; each fixed-context Throughput split is one complete run. Acceptance length (AL) is the mean number of tokens emitted per target-model verification step (AL = 1 means no speedup); higher is better.

Acceptance length by domain (SPEED-Bench qualitative)

DomainAcceptance length (AL)
Coding3.33
Math3.17
RAG3.14
Multilingual3.07
Reasoning2.91
Summarization2.88
STEM2.84
Humanities2.70
QA2.55
Writing2.33
Roleplay2.02
Overall2.81

Acceptance length by context length

Context lengthAcceptance length (AL)
1K2.71
8K2.71
16K2.72
32K2.71

Acceptance length stays essentially flat at 2.71–2.72 from 1K to 32K context.

Native AITER Serving Results

On SPEED-Bench Qualitative at concurrency 48, EAGLE3 improves output throughput and end-to-end latency over a matched non-speculative baseline:

MetricEAGLE3 averageNon-speculativeChange
Output throughput/GPU415.2 tok/s281.7 tok/s1.47×
Median E2E latency9.68 s13.15 s1.36× faster
Median TTFT154 ms130 ms+18.5% latency

The EAGLE3 values are means of two complete runs. Both configurations use vLLM ROCm v0.27.1, native AITER MXFP4, TP=8, temperature 0, a 12,288-token maximum model length, and a 2,048-token output cap. The TTFT result shows the first-token latency trade-off.

Native AITER per-GPU output throughput across concurrency on SPEED-Bench Qualitative

Across concurrency 1–128, EAGLE3 improves per-GPU output throughput at every tested point, scaling from 29 to 652 tok/s/GPU versus 16 to 465 tok/s/GPU for the non-speculative baseline. The relative gain narrows from 1.77× at concurrency 1 to 1.40× at concurrency 128 as the baseline approaches saturation, while the absolute throughput advantage grows from approximately 13 to 187 tok/s/GPU. Figure labels are rounded; speedup ratios use the underlying unrounded benchmark values.

Serving with vLLM

Serve the amd/MiniMax-M3-MXFP4 target with this draft as the EAGLE3 speculative model at TP=8. See the target model card for the ROCm/vLLM runtime image and setup.

export VLLM_ROCM_USE_AITER=1
vllm serve amd/MiniMax-M3-MXFP4 --trust-remote-code --tensor-parallel-size 8 \
    --block-size 128 --attention-backend TRITON_ATTN --moe-backend aiter \
    --speculative-config '{"method":"eagle3","model":"amd/MiniMax-M3-EAGLE3.1","num_speculative_tokens":3,"attention_backend":"TRITON_ATTN"}'

Citation and Acknowledgements

Trained by the AMD Quark team as the EAGLE3 draft for amd/MiniMax-M3-MXFP4. Please validate quality and acceptance length in your own serving stack.

License

This draft targets MiniMax-M3; see the bundled MiniMax M3 LICENSE.txt (MiniMax Community License) for the terms that apply to the target model and its derivatives.

Modifications Copyright (c) 2026 Advanced Micro Devices, Inc. All rights reserved.

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
cadf8c9

0 моделей