/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,4 млрд
Лицензия
Своя лицензия
Архитектура
qwen3 · dense
Базовая модель
Qwen3.8-27B-DSpark
Библиотека
transformers
Опубликована
22 авг 2026

Qwen3.8-27B-heretic-ara-DSpark

Генерация текстаТекст → текст3 профессии

Дообученная черновая модель DSpark предлагает токены для ускорения генерации Qwen3.8-27B посредством спекулятивного декодирования.

157скачиваний за 30 дней0лайковвеса обновлены22 авг 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

Это дообученный черновой спекулятор DSpark от catplusplus для ускорения генерации текста целевыми моделями Qwen3.8-27B при спекулятивном декодировании. Он предназначен для совместного использования с целевой моделью и средой инференса, поддерживающей DSpark; README приводит пример запуска через SGLang. Заявлены контекст до 262 144 токенов и архитектура DSparkDraftModel семейства Qwen3. В README указаны черновые параметры BF16 и средняя длина принятой последовательности около 3,4 токена на шаг проверки в описанной оценке.

Модель специализируется на предложении черновых токенов, которые целевая модель проверяет, поэтому сама по себе не является обычной самостоятельной чат-моделью. Карточка сообщает, что абляция и квантизация исходной модели снизили точность MTP, а настройка была направлена на её восстановление. Для запуска требуются совместимые версии SGLang и целевая модель; лицензия обозначена как other, поэтому условия использования следует уточнять по карточке репозитория.

Сценарии применения

  • ускорение генерации текста с целевой моделью Qwen3.8-27B
  • спекулятивное декодирование в совместимой среде SGLang
  • ускорение инференса языковой модели при пакетной обработке запросов

Ограничения

Это вспомогательная черновая модель, рассчитанная на работу с целевой моделью и поддерживающим DSpark инференс-сервером; отдельно для обычного диалога она не предназначена. README отмечает снижение точности MTP после абляции и квантизации исходной 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

This is a tuned DSpark speculator for https://huggingface.co/catplusplus/Qwen3.8-27B-heretic-ara-NVFP4-MTP. Since the model is abliterated and quantized, original MTP accuracy is reduced. This model is tuned to bring accuracy back up, to 3.46-4.10 mean acceptable length. I run it like this (uses some local scripts, just illustrating vllm arguments/environment variables):

dockless run -d --name seeker-inference
-e CUDA_HOME=/usr/local/cuda-13.0
-e C_INCLUDE_PATH=/usr/local/cuda-13.0/include
-e LIBRARY_PATH=/usr/lib/aarch64-linux-gnu/nvidia
-e FLASHINFER_NVCC=/usr/local/cuda-13.0/bin/nvcc
-e VLLM_USE_FLASHINFER_MOE_FP4=0
~/bin/unglitched_vllm
--trust-remote-code
--served-model-name Nikola
--gpu-memory-utilization 0.675
--port 9000
--enable-auto-tool-choice
--tool-call-parser qwen3_coder
--reasoning-parser qwen3
--mm-encoder-tp-mode data
--mm-processor-cache-type shm
--enable-prefix-caching
--max_num_batched_tokens 8192
--max-num-seqs 8
--cudagraph-capture-sizes 1 2 4 8
--mm-processor-kwargs '{"max_pixels": 3584000}'
--enable-chunked-prefill
--performance-mode interactivity
--attention-backend FLASHINFER
--async-scheduling
--moe-backend cutlass
--compilation-config '{"mode": 0, "cudagraph_mode": 0}'
--speculative-config '{"method": "dspark", "model": "/home/olegk/Nikola/models/Qwen3.8-27B-DSpark-tuned", "num_speculative_tokens": 7}'
--model "${@:-/home/olegk/Nikola/models/Qwen3.6-27B-uncensored-heretic-v2-NVFP4-MTP}"

Qwen3.8-27B-DSpark

A DSpark speculator for Qwen/Qwen3.8-27B-FP8. DSpark extends DFlash with target-model auxiliary features and a confidence head that dynamically chooses the number of draft tokens. The model was trained with SpecForge and is served with SGLang.

Model specifications

  • Target model: Qwen/Qwen3.8-27B-FP8
  • Checkpoint: epoch_2_step_4166
  • Draft parameters: 1,359,284,737 (1.36B)
  • Draft weight dtype: BF16
  • Hidden size: 5,120
  • Transformer layers: 5 full-attention layers
  • Attention: GQA with 40 query heads and 8 key/value heads
  • Target auxiliary feature layers: 4, 16, 28, 40, 52
  • Confidence head: vanilla Markov head, rank 256
  • DSpark block size: 7 draft tokens (verify width 8, including the target bonus token)
  • Maximum position embeddings: 262,144

Acceptance length

Acceptance length is the mean number of tokens accepted per speculative verification step, including the target bonus token. Each workload value below is the unweighted mean of SGLang's per-request spec_accept_length values.

Setting: FP8 target and unquantized BF16 draft; DSpark block size 7; sampling temperature 0.6, top-k 20, top-p 0.95; thinking enabled; max_new_tokens=2048; seed 0; up to 128 prompts per workload, or the full set when smaller. The prompt construction and measurement loop follow z-lab/dflash's SGLang benchmark path.

WorkloadAcceptance length
HumanEval3.47
GSM8K4.57
MATH-5004.08
LiveCodeBench2.94
MBPP3.67
AIME 20253.28
LBPP3.03
AIME 20263.07
MT-Bench3.10
Arena-Hard-v22.71
Alpaca2.95

The evaluation contains 1,164 requests. The mean across all requests is 3.39, and the macro mean across the 11 workload means is 3.35. Every response contained acceptance statistics, and recomputing completion_tokens / spec_verify_ct matched spec_accept_length exactly.

Serving with SGLang

Use an SGLang version containing DSPARK support (the results above used the pinned main-branch commit shown in the evaluation setting):

sglang serve \
  --trust-remote-code \
  --model-path Qwen/Qwen3.8-27B-FP8 \
  --tp-size 1 \
  --speculative-algorithm DSPARK \
  --speculative-draft-model-path RadixArk/Qwen3.8-27B-DSpark \
  --speculative-dspark-block-size 7 \
  --speculative-draft-model-quantization unquant \
  --mamba-scheduler-strategy extra_buffer \
  --attention-backend fa3

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
DSparkDraftModel
Ревизия весов
8cbcb6f

0 моделей