/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
2,8 млрд
Лицензия
CC BY-NC-ND 4.0
Архитектура
qwen3 · dense
Базовая модель
GLM-5.3
Библиотека
transformers
Опубликована
26 авг 2026

GLM-5.3-DFlash2

Генерация текстаТекст → текст3 профессии

Черновая модель DFlash 2 для ускорения генерации текста zai-org/GLM-5.3 посредством спекулятивного декодирования.

7 289скачиваний за 30 дней25лайковвеса обновлены28 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

GLM-5.3-DFlash2 — черновая модель DFlash 2 для ускорения генерации текста базовой моделью zai-org/GLM-5.3. Это не самостоятельная языковая модель: она работает внутри сервера спекулятивного декодирования, например SGLang, и предлагает токены, которые затем проверяет целевая модель. Модель на архитектуре Qwen3 с классом DFlash2DraftModel содержит 2,8 млрд параметров и рассчитана на контекст до 1 048 576 токенов.

DFlash 2 использует блочную диффузию: за один проход предсказывает блок токенов и сохраняет несколько кандидатов для каждой позиции, после чего селектор выбирает согласованный путь. По README, декодирование сохраняет результат целевой модели: при жадной генерации вывод совпадает с ней, а при выборке сохраняется её распределение. В описанных тестах на задачах GSM8K, MATH-500 и HumanEval модель показала более высокую пропускную способность, чем autoregressive decoding и встроенный MTP базовой модели; результаты измерялись на четырёх NVIDIA GB300 с SGLang и не гарантируют такую же скорость на другой конфигурации.

Для использования требуются целевая модель GLM-5.3, совместимый сервер спекулятивного декодирования и соответствующее оборудование. Репозиторий распространяется по лицензии CC BY-NC-ND 4.0, которая ограничивает коммерческое использование и распространение производных материалов.

Сценарии применения

  • ускорение генерации текста с GLM-5.3 в SGLang
  • ускорение решения математических задач с GLM-5.3
  • ускорение генерации кода с GLM-5.3
  • повышение пропускной способности сервера GLM-5.3 при параллельных запросах

Ограничения

Модель не является самостоятельной и требует целевой GLM-5.3 и совместимого сервера спекулятивного декодирования. Опубликованные показатели скорости получены на конкретной конфигурации из четырёх NVIDIA GB300 и могут отличаться на другом оборудовании.

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

GLM-5.3-DFlash2

Blog | GitHub

This repository contains the DFlash 2 draft model for zai-org/GLM-5.3. It is not a standalone language model: it runs inside a speculative decoding server and drafts tokens for the target model to verify.

DFlash 2 is a block-diffusion drafter for speculative decoding. It predicts a whole block of tokens in a single pass and keeps the top candidates at every position. A lightweight selector then traces one coherent path through them. Two-tap dynamic convolutions in the backbone keep the draft from decaying toward the end of the block. Decoding is lossless: greedy output matches the target model exactly, and sampling preserves its distribution.

Quick Start

Serve with SGLang:

pip install "sglang[all] @ git+https://github.com/sgl-project/sglang.git#subdirectory=python"

sglang serve \
  --model-path zai-org/GLM-5.3 \
  --tp-size 4 \
  --trust-remote-code \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path incoai/GLM-5.3-DFlash2 \
  --speculative-draft-attention-backend fa4

DFlash 2 is also supported by vLLM v0.28.0 and later; see incoai/GLM-5.3-NVFP4 for a vLLM serving example with the NVFP4-quantized target. See the blog post for more details.

Evaluation

  • Runtime: SGLang on four NVIDIA GB300 GPUs (TP4), with FlashAttention 4 for DFlash 2 draft attention
  • Speculation block size: 8 (7 draft tokens per verification step)
  • Sampling: GLM-5.3's officially recommended parameters (temperature 1.0, top-p 0.95), with the default Max reasoning effort
  • Maximum new tokens: 4096
  • Samples: 128 at concurrency 1; 1,024 at concurrency 8 and 32

We compare autoregressive decoding, GLM-5.3's native MTP, and DFlash 2. All speculative methods propose seven draft tokens per verification step.

Acceptance Length

Acceptance length is the per-request mean of completion tokens divided by verification steps. Higher is better.

TaskMTPDFlash 2
GSM8K5.125.94
MATH-5005.056.02
HumanEval4.855.48
MBPP4.344.95
MT-Bench3.814.19

Throughput

Throughput is total output tokens divided by end-to-end wall time. Each cell shows output tok/s (speedup vs. autoregressive).

Concurrency 1

TaskAutoregressiveMTPDFlash 2
GSM8K113.4292.6 (2.58×)366.6 (3.23×)
MATH-500113.1297.4 (2.63×)383.3 (3.39×)
HumanEval113.7292.9 (2.58×)363.7 (3.20×)
MBPP113.4266.5 (2.35×)336.5 (2.97×)
MT-Bench113.2206.8 (1.83×)244.3 (2.16×)

Concurrency 8

TaskAutoregressiveMTPDFlash 2
GSM8K535.31,094.5 (2.04×)1,310.4 (2.45×)
MATH-500549.61,145.6 (2.08×)1,409.7 (2.56×)
HumanEval554.41,133.8 (2.05×)1,360.6 (2.45×)
MBPP554.21,049.7 (1.89×)1,277.4 (2.31×)
MT-Bench544.5807.0 (1.48×)895.5 (1.64×)

Concurrency 32

TaskAutoregressiveMTPDFlash 2
GSM8K1,142.72,283.6 (2.00×)2,694.5 (2.36×)
MATH-5001,251.82,943.2 (2.35×)3,559.8 (2.84×)
HumanEval1,303.13,016.9 (2.32×)3,589.1 (2.75×)
MBPP1,292.82,790.2 (2.16×)3,380.4 (2.61×)
MT-Bench1,262.72,119.5 (1.68×)2,345.0 (1.86×)

License

This model is released under CC BY-NC-ND 4.0 for research and evaluation. For commercial licensing, contact contact@inco.ai.

Citation

If you find DFlash 2 useful, please cite:

@misc{inco2026dflash2,
  title  = {{DFlash 2: Keep Drafting Parallel}},
  author = {{Inco AI}},
  year   = {2026},
  month  = {August},
  url    = {https://inco.ai/blog/dflash2/}
}

Please also cite the original DFlash paper:

@inproceedings{chen2026dflash,
  title     = {{DFlash: Block Diffusion for Flash Speculative Decoding}},
  author    = {Chen, Jian and Liang, Yesheng and Liu, Zhijian},
  booktitle = {International Conference on Machine Learning (ICML)},
  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
DFlash2DraftModel
Ревизия весов
425aa61

0 моделей