/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,9 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3.6-27B-DFlash
Опубликована
16 авг 2026

Qwen3.8-27B-heretic-dflash

Генерация текстаТекст → текст3 профессии

Черновая модель DFlash для спекулятивного декодирования, ускоряющая генерацию текста целевой моделью Qwen Heretic.

724скачиваний за 30 дней1лайквеса обновлены25 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

Qwen3.8-27B-heretic-dflash — черновая модель DFlash, дообученная jfan на скрытых представлениях нескольких слоёв Qwen 3.8 27B Heretic. Она предназначена для спекулятивного декодирования: предлагает блоки будущих токенов, которые проверяет целевая авторегрессионная модель. Такой режим ускоряет генерацию текста, сохраняя точность вывода целевой модели; в приведённых автором тестах с MLX на Apple Silicon ускорение составило 2,58–2,82 раза.

Модель использует архитектуру DFlash Dual-Hidden Non-Autoregressive Drafter и рассчитана на блоки по 16 токенов. README указывает контекст 2 048 токенов плюс 16 токенов блока; метаданные каталога указывают нативный контекст 262 144 токена. Репозиторий содержит веса safetensors объёмом около 3,46 ГБ. Указаны сценарии генерации кода и математических рассуждений, а языковые теги — английский и китайский. Для работы нужна совместимая целевая модель Qwen Heretic и среда DFlash, например MLX/MLX-VLM; эта модель сама по себе не является универсальной текстовой моделью для диалога. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • ускорение генерации кода целевой моделью Qwen Heretic
  • ускорение математических рассуждений при спекулятивном декодировании
  • ускорение многошагового диалога с совместимой целевой моделью
  • ускорение генерации на Apple Silicon через MLX
  • проверка производительности DFlash на наборах текстовых промптов

Ограничения

Модель предназначена для спекулятивного декодирования и требует совместимой целевой модели; её нельзя использовать как самостоятельную универсальную модель генерации. Показатели ускорения получены на ограниченном наборе тестов автора и могут отличаться на других промптах и 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

Qwen3.8-27B-heretic-dflash ⚡

Qwen3.8-27B-heretic-dflash is a high-performance DFlash speculative drafter trained on multi-layer hidden representations from Qwen 3.8 27B Heretic models (including heretic-org/Qwen3.8-27B-heretic-ara and quantized variants like MXFP4).

By predicting future token blocks in parallel using single forward-pass target hidden representations, this drafter accelerates autoregressive generation on Apple Silicon (MLX) and NVIDIA GPUs by 2.6× to 2.8× with exact target model output fidelity.


🚀 Live Speculative Benchmarks (Apple Silicon MLX)

Evaluated against Qwen3.8-27B-heretic-ara-mxfp4 on real-world prompts with standard temperature:

Task / DomainPrompt ScenarioSpeculative Acceptance ($k$)Acceptance Rate (%)Decode SpeedEnd-to-End Speedup
Async Python CodingConcurrent rate-limited web scraper with retry backoff & error handling3.01 tokens / round82.05%21.9 tok/s2.58× faster (vs ~8.5 tok/s baseline)
Math & ReasoningRecursive sequence formula derivation & proof ($\sum_{n=1}^{100} rac{1}{a_n}$)4.34 tokens / round80.50%24.0 tok/s2.82× faster (vs ~8.5 tok/s baseline)
  • Draft Acceptance Rate: Over 81% of all proposed draft tokens are verified and accepted.
  • First-Token Acceptance Rate ($k \ge 1$): >95%, eliminating stalling during token generation.

📈 Multi-Round Continuous Training Progress

The model is iteratively trained on multi-domain instruction sequences (coding feedback, mathematical reasoning, system architecture, and multi-turn chat) using pure bfloat16 extracted hidden states:

Checkpoint StageCumulative SequencesCumulative TokensHeld-Out Val LossBlock Accuracy ($k=15$)Status
Untrained Base007.32477.7%Initial z-lab weights
Round 1 – 26,00012.4M3.483019.3%Baseline Convergence
Round 3 – 515,00031.0M3.821014.8%Cross-Domain Diversity
Round 6 – 824,00049.5M3.689016.2%Reasoning & Proofs
Round 9 – 1030,00061.9M3.399517.8%Current Checkpoint (Live)
Round 11 – 1751,000~105MQueuedQueuedFull 50k Step Schedule

🛠️ Architecture & Specifications

  • Drafter Architecture: DFlash Dual-Hidden Non-Autoregressive Drafter
  • Target Model: Qwen 3.8 27B Heretic / ARA
  • Hidden State Feature Dimension: $5 imes 5,120 = 25,600$ (concatenated target layers in pure bfloat16)
  • Context Length: 2,048 tokens + 16 block tokens
  • Block Size ($N$): 16 future tokens per speculative step
  • Storage Footprint: 3.46 GB safetensors

💻 How to Use with MLX / MLX-VLM

Launch mlx_vlm.server with --draft-model and --draft-kind dflash:

python3 -m mlx_vlm.server     --host 0.0.0.0     --port 8080     --model /path/to/Qwen3.8-27B-heretic-ara-mxfp4     --trust-remote-code     --kv-bits 4     --kv-quant-scheme uniform     --kv-group-size 64     --draft-model jfan/Qwen3.8-27B-heretic-dflash     --draft-kind dflash

Once running, send standard OpenAI-compatible /v1/chat/completions requests to enjoy accelerated 22–24+ tokens/second inference.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры
DFlashDraftModel
Ревизия весов
2ea91cb

0 моделей