/ Модель

Характеристики

Контекст
262 144 токена
Параметры
1,8 млрд
Лицензия
Своя лицензия
Архитектура
kimi_k2 · dense
Базовая модель
Kimi-K2.5
Опубликована
3 авг 2026

kimi-k2.5-eagle3-mla

Генерация текстаТекст → текст

Производная модели lightseekorg/kimi-k2.5-eagle3-mla. Черновая модель Eagle3 с MLA для ускорения инференса Kimi-K2.5 посредством speculative decoding.

601скачиваний за 30 дней0лайковвеса обновлены3 авг 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

Карточка модели biosai-hf/kimi-k2.5-eagle3-mla на Hugging Face совпадает с карточкой lightseekorg/kimi-k2.5-eagle3-mla, поэтому описание составлено по ней.

kimi-k2.5-eagle3-mla — черновая модель Eagle3 MTP от LightSeek, предназначенная для ускорения инференса Moonshot AI Kimi-K2.5 методом speculative decoding. Она обучена с помощью TorchSpec и использует Multi-Latent Attention (MLA), согласованную с архитектурой базовой модели; это уменьшает потребление KV-кэша по сравнению с вариантом на MHA и облегчает интеграцию с обработкой KV-кэша в разных сценариях обслуживания запросов.

Модель содержит 1,8 млрд параметров, имеет архитектуру Eagle3DeepseekV2ForCausalLM и рассчитана на контекст до 262 144 токенов. Её применяют как draft-модель совместно с Kimi-K2.5 в системах инференса vLLM или SGLang; самостоятельная генерация ответов не является её основным сценарием. В README приведены результаты измерения средней длины принятого блока токенов на MTBench, CEval и GSM8K, но они характеризуют ускорение speculative decoding, а не качество ответов.

Для запуска требуются NVIDIA GPU с CUDA 12.0+ и совместимая версия vLLM или SGLang. Модель основана на moonshotai/Kimi-K2.5; лицензия указана как other, поэтому условия использования следует проверять в карточке репозитория.

Сценарии применения

  • ускорение генерации текста на базе Kimi-K2.5
  • снижение затрат KV-кэша при speculative decoding
  • ускорение диалогового сервера на vLLM
  • ускорение инференса Kimi-K2.5 в SGLang

Ограничения

Модель предназначена для speculative decoding вместе с Kimi-K2.5 и не описана как самостоятельная разговорная модель. Для работы требуются NVIDIA GPU с CUDA 12.0+ и совместимый движок инференса; лицензия указана как other.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

kimi-k2.5-eagle3-mla

Model Overview

kimi-k2.5-eagle3-mla is an Eagle3 MTP draft model with MLA(Multi-Latent-Attention) for accelerating inference of Kimi-K2.5, trained with TorchSpec - an online speculative decoding training framework that runs FSDP training and inference concurrently. If you find this draft model useful, please give our project TorchSpec a star on GitHub.

Why an MLA (Multi-Latent Attention) Draft Model

Compared with an MHA draft model, the MLA variant is a better fit for Kimi-K2.5 deployment:

  • Uses less KV cache, which reduces serving memory pressure.
  • Matches Kimi-K2.5's MLA architecture, so it fits more naturally into the inference engine's KV-cache handling under different serving scenarios such as PD-Disaggregation.

Training Setup

  • Cluster: 4 nodes x 8x H200 (32 GPUs total)
  • Training: 2 nodes (16 GPUs), FSDP
  • Inference: 2 nodes (16 GPUs), Engine (TP=8 per node)
  • Duration: ~14 hours per phase:

Dataset: Regenerated open-perfectblend dataset

All training responses were regenerated by Kimi-K2.5 via Engine to match the base model's exact token distribution.

Performance

The primary metric is accept_length - the average number of tokens accepted per speculation step with topk=1, num_steps=3, num_draft_tokens=4. Higher is better.

Benchmarks were run using lm_eval.

CategoryBenchmarkNAcc Len
DialogueMTBench802.940
ChineseCEval2122.829
MathGSM8K5003.017
CodeHumanEval1642.969
MathMATH5005003.051
MathAIME303.139
VLMMStar2002.597

Quick Start

Requirements

Launch Server (vLLM)

vllm serve moonshotai/Kimi-K2.5 \
    --tensor-parallel-size 8 \
    --speculative-config '{"model": "lightseekorg/kimi-k2.5-eagle3-mla", "method": "eagle3", "num_speculative_tokens": 3}' \
    --trust-remote-code

For deployment configuration, refer to the official vLLM recipes.

Launch Server (SGLang)

sglang serve \
  --model-path moonshotai/Kimi-K2.5 \
  --tp 8 \
  --trust-remote-code \
  --reasoning-parser kimi_k2 \
  --tool-call-parser kimi_k2 \
  --speculative-algorithm EAGLE3 \
  --speculative-num-steps 3 \
  --speculative-eagle-topk 1 \
  --speculative-num-draft-tokens 4 \
  --speculative-draft-model-path lightseekorg/kimi-k2.5-eagle3-mla

For deployment configuration, refer to the official SGLang cookbook.

Run Benchmarks

lm_eval \
  --model local-completions \
  --model_args base_url=<url> \
  --tasks gsm8k \
  --batch_size 16

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура kimi_k2 неизвестна transformers в образе рантайма.

Класс архитектуры
Eagle3DeepseekV2ForCausalLM
Ревизия весов
bb581fb

0 моделей