/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,9 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3.8-27B-DFlash2
Опубликована
25 авг 2026

Qwen3.8-27B-heretic-dflash2

Генерация текстаТекст → текст3 профессии

Черновая модель DFlash 2 для ускорения генерации Qwen3.8-27B Heretic посредством спекулятивного декодирования в совместимом сервере.

1 201скачиваний за 30 дней1лайквеса обновлены28 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-dflash2 — черновая модель второго поколения DFlash 2 от jfan, дообученная для спекулятивного декодирования с целевыми моделями Qwen3.8-27B Heretic. Она строит блоки предварительных токенов, которые совместимый сервер проверяет целевой моделью, ускоряя генерацию при сохранении точного результата целевой модели. Предназначена для запуска вместе с целевой моделью через mlx-vlm на Apple Silicon; сама по себе не заменяет полноценную модель генерации.

Архитектура основана на Qwen3 и включает групповые динамические причинные свёртки, объединение скрытых представлений нескольких слоёв целевой модели и оценку путей-кандидатов. В README описан блок из семи параллельных черновых токенов. Метаданные указывают 2,9 млрд параметров, контекст 262 144 токена и формат safetensors; заявлены языки английский и китайский, а также поддержка кода. Лицензия — Apache-2.0.

В README приведены тесты на задачах программирования, математики и проектирования распределённых систем, но результаты относятся к конкретной конфигурации Apple Silicon и целевой модели и не гарантируют такого же ускорения в других условиях. Текущий чекпойнт обозначен как первый этап продолжающегося обучения.

Сценарии применения

  • ускорение генерации текста целевой моделью Qwen3.8-27B Heretic
  • ускорение генерации кода на Apple Silicon через mlx-vlm
  • ускорение ответов на математические запросы целевой модели
  • ускорение генерации технических объяснений и архитектурных решений
  • спекулятивное декодирование с проверкой черновых токенов целевой моделью

Ограничения

Модель предназначена для совместной работы с целевой Qwen3.8-27B Heretic в совместимом сервере и не является самостоятельной универсальной моделью генерации. Приведённые показатели скорости получены на конкретной конфигурации Apple Silicon и могут отличаться на другом оборудовании и с другими целевыми моделями.

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-dflash2 ⚡

Qwen3.8-27B-heretic-dflash2 is a second-generation DFlash 2 speculative drafter tailored and fine-tuned for Qwen 3.8 27B Heretic models (including heretic-org/Qwen3.8-27B-heretic-ara and quantized Apple Silicon MLX variants like MXFP4).

Built upon the state-of-the-art DFlash 2 speculative decoding architecture, this drafter leverages Grouped Dynamic Causal Convolutions (GroupedDynamicCausalConv), Multi-Layer Hidden Representations ($5 \times 5,120 = 25,600$ dims), and Candidate Selector Path Scoring to provide ultra-fast non-autoregressive drafting with exact target model output fidelity.


🚀 Live Speculative Benchmarks (Apple Silicon MLX on ml-2)

Evaluated with mlx-vlm serving Qwen3.8-27B-heretic-ara-mxfp4 under standard temperature ($T=0.7$, max_tokens=384):

Task / DomainPrompt ScenarioSpeculative Acceptance ($k$)Acceptance Rate (%)Decode SpeedGeneration Time
Async Python CodingConcurrent rate-limited web scraper with retry backoff & error handling2.66 tok / step108.8%13.49 tok/s28.46s
Math & ReasoningRecursive sequence formula derivation & proof ($\sum_{n=1}^{100} \frac{1}{a_n}$)3.34 tok / step106.1%13.59 tok/s28.26s
Distributed SystemsKey-value store architecture with LSM compaction & Raft consensus2.32 tok / step107.9%11.88 tok/s32.31s
  • Average Speculative Throughput: ~13.0–13.6 tokens/sec on 27B model weights running on unified memory.
  • First-Token Acceptance Accuracy: 75.9% on held-out validation benchmark sequences.
  • Block Accuracy ($k=7$): 33.7% full 7-token exact block matching.

📊 Comparison: Base DFlash2 vs. Heretic DFlash2 (Round 1)

Benchmark PromptBase z-lab/Qwen3.8-27B-DFlash2Trained jfan/Qwen3.8-27B-heretic-dflash2 (Round 1)
Python Async Scraper13.46 tok/s ($k=2.92$)13.49 tok/s ($k=2.66$)
Math Recursive Proof14.51 tok/s ($k=3.58$)13.59 tok/s ($k=3.34$)
Distributed Architecture12.78 tok/s ($k=2.87$)11.88 tok/s ($k=2.32$)

Note: The model is undergoing autonomous multi-round scaling (Rounds 1 → 17) to further specialize token transition probability paths on Heretic / ARA distributions.


📈 Multi-Round Continuous Scaling Progress

Checkpoint StageCumulative SequencesTraining StepsHeld-Out Val Loss1st Token AccAll-7 Block AccStatus
Pretrained Base (z-lab)00—~60.0%~23.0%Initial Weights
Round 1 (Current Checkpoint)3,0003,0002.628875.9%33.7%Live on HuggingFace
Round 2 – 412,00012,000TrainingTrainingTrainingIn Progress
Round 5 – 1751,00051,000QueuedQueuedQueuedContinuous Pipeline

🛠️ Architecture & Innovations in DFlash 2

  1. Grouped Dynamic Causal Convolutions (GroupedDynamicCausalConv): Two-stage causal convolutions wrapped around self-attention and feed-forward blocks to capture local phrase structures before and after attention mixing.
  2. Candidate Selector Path Scoring: Dual codebooks (predecessor_codebook and successor_codebook) predicting path likelihoods across graph branches.
  3. Multi-Layer Target Fusion: Concatenated hidden states from Qwen 3.8 27B layers [5, 19, 33, 47, 61] ($25,600$ feature dimensions).
  4. Optimized 8-Token Draft Block: 7 parallel draft tokens per block ($N=8$) minimizing tail verification penalty while maximizing end-to-end token generation rates.

💻 Deployment with MLX-VLM on Apple Silicon

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-dflash2 \
    --draft-kind dflash

Once running, standard OpenAI-compatible /v1/chat/completions API calls will automatically utilize DFlash 2 speculative drafting!

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
DFlash2DraftModel
Ревизия весов
c4d5929

0 моделей