/ Модель

Характеристики

Контекст
262 144 токена
Параметры
798 млн
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3.6-35B-A3B
Библиотека
transformers
Опубликована
17 сен 2026

Qwen3.6-35B-A3B-DFlash2

Генерация текстаТекст → текст3 профессии

Черновая модель DFlash 2 предлагает проверяемые блоки токенов, ускоряя генерацию Qwen3.6-35B-A3B в совместимом сервере спекулятивного декодирования.

3 060скачиваний за 30 дней11лайковвеса обновлены25 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

Qwen3.6-35B-A3B-DFlash2 — черновая модель DFlash 2 от incoai для ускорения генерации целевой моделью Qwen/Qwen3.6-35B-A3B. Это не самостоятельная языковая модель: она работает в сервере спекулятивного декодирования и предлагает целевой модели блоки токенов для проверки. Модель использует блочную диффузию, предсказывая целый блок за один проход, и селектор, который выбирает согласованный путь среди кандидатов. В метаданных указаны 798 млн параметров и контекст базовой модели до 262 144 токенов.

При точной жадной генерации результат совпадает с выводом целевой модели; при сэмплировании сохраняется её распределение. В приведённых тестах с SGLang DFlash 2 повысил пропускную способность относительно авторегрессионного декодирования и встроенного MTP на наборах GSM8K, MATH-500 и HumanEval. Для работы нужны целевая модель и совместимый сервер спекулятивного декодирования; README приводит запуск через SGLang. Весовые файлы доступны в формате safetensors по лицензии Apache-2.0.

Сценарии применения

  • ускорение генерации текста моделью Qwen3.6-35B-A3B
  • ускорение ответов на математические задачи
  • ускорение генерации кода для HumanEval
  • увеличение пропускной способности сервера генерации при параллельных запросах

Ограничения

Модель не предназначена для самостоятельной генерации: ей необходима целевая Qwen/Qwen3.6-35B-A3B и совместимый сервер спекулятивного декодирования. Заявленные показатели производительности получены на конкретной конфигурации SGLang и оборудовании GB300, поэтому результаты могут отличаться в других условиях.

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

Qwen3.6-35B-A3B-DFlash2

Blog | GitHub

This repository contains the DFlash 2 draft model for Qwen/Qwen3.6-35B-A3B. 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"

python -m sglang.launch_server \
  --model-path Qwen/Qwen3.6-35B-A3B \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path incoai/Qwen3.6-35B-A3B-DFlash2 \
  --speculative-num-draft-tokens 8 \
  --attention-backend flashinfer \
  --speculative-draft-attention-backend fa4

Or with vLLM:

pip install -U "vllm @ git+https://github.com/vllm-project/vllm.git@refs/pull/52816/head"

vllm serve Qwen/Qwen3.6-35B-A3B \
  --speculative-config '{
    "method": "dflash",
    "model": "incoai/Qwen3.6-35B-A3B-DFlash2",
    "num_speculative_tokens": 7
  }'

See the blog post for other engines and more details.

Evaluation

  • Runtime: SGLang on one NVIDIA GB300, with FlashInfer for target attention and FlashAttention 4 for draft attention
  • Speculation block size: 8 (7 draft tokens per verification step)
  • Sampling: temperature 1.0, top-p 0.95, top-k 20, presence penalty 0.0, repetition penalty 1.0, with thinking enabled
  • Maximum new tokens: 4096
  • Requests: 32 per dataset and concurrency, with seed 42 for prompt selection
  • Prompts: benchmark formatting from z-lab/dflash; MT-Bench uses the first turn

We compare autoregressive decoding, Qwen3.6's built-in MTP with seven speculative steps, and DFlash 2. Both 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 at concurrency 1. Higher is better.

TaskMTPDFlash 2
GSM8K4.925.21
MATH-5005.025.34
HumanEval4.444.90
MBPP4.364.76
MT-Bench4.264.41

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
GSM8K358.6505.1 (1.41×)670.0 (1.87×)
MATH-500358.8542.1 (1.51×)749.4 (2.09×)
HumanEval358.7480.1 (1.34×)680.3 (1.90×)
MBPP361.0474.2 (1.31×)660.1 (1.83×)
MT-Bench360.5425.4 (1.18×)550.0 (1.53×)

Concurrency 8

TaskAutoregressiveMTPDFlash 2
GSM8K1,524.01,850.0 (1.21×)2,323.7 (1.52×)
MATH-5001,600.02,391.2 (1.49×)3,018.2 (1.89×)
HumanEval1,595.92,126.1 (1.33×)2,814.4 (1.76×)
MBPP1,503.42,024.6 (1.35×)2,532.5 (1.68×)
MT-Bench1,460.61,727.4 (1.18×)2,146.2 (1.47×)

Concurrency 32

TaskAutoregressiveMTPDFlash 2
GSM8K2,499.42,957.5 (1.18×)3,971.2 (1.59×)
MATH-5003,432.05,201.4 (1.52×)6,483.1 (1.89×)
HumanEval3,060.74,361.9 (1.43×)5,621.9 (1.84×)
MBPP2,777.03,700.0 (1.33×)5,025.9 (1.81×)
MT-Bench2,535.33,082.5 (1.22×)3,705.5 (1.46×)

License

This model is released under the Apache License 2.0.

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
51ef7b6

0 моделей