/ Модель

Характеристики

Лицензия
MIT
Базовая модель
MiMo-V2.5-Pro-FP4-DFlash
Библиотека
gguf
Опубликована
28 июн 2026

MiMo-V2.5-Pro-DFlash-draft-ik-llama-GGUF

Генерация текстаТекст → текст3 профессии

Пятислойный черновик DFlash в GGUF BF16 ускоряет генерацию MiMo-V2.5-Pro через speculative decoding в ik_llama.cpp.

245скачиваний за 30 дней6лайковвеса обновлены31 июл 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 пятислойная черновая модель DFlash для MiMo-V2.5-Pro, преобразованная в формат GGUF BF16 для ik_llama.cpp. Её подготовил ji-farthing как проверочный артефакт для PR #2048; модель использует общие с целевой моделью токенизатор, эмбеддинги и выходную голову.

Черновик предназначен для ускорения генерации методом speculative decoding в паре с полной моделью MiMo-V2.5-Pro в формате GGUF. Самостоятельно он не работает: его подключают как draft-модель к совместимой целевой модели через ik_llama.cpp. Проверка на нескольких задачах автодополнения кода показала принятие черновых токенов 54,6–60,4%; эти результаты относятся только к тестовым примерам и конфигурации из карточки.

Для работы требуется ik_llama.cpp с PR #2048 или более новой версией и совместимая конверсия целевой модели; README описывает проверку с unfused MoE-вариантом. Лицензия — MIT. Размер файла указан в README как около 5,54 ГБ; архитектурные и контекстные характеристики целевой модели нельзя автоматически переносить на этот черновик.

Сценарии применения

  • ускорение генерации текста с MiMo-V2.5-Pro
  • ускорение автодополнения кода в паре с целевой моделью MiMo-V2.5-Pro
  • проверка speculative decoding DFlash в ik_llama.cpp

Ограничения

Модель не является самостоятельной: для работы ей нужны целевая MiMo-V2.5-Pro в совместимом GGUF и ik_llama.cpp с PR #2048 или новее. Показатель принятия черновых токенов зависит от промпта и конфигурации и не является универсальной оценкой ускорения.

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

MiMo-V2.5-Pro DFlash Draft: BF16 GGUF for ik_llama.cpp

A GGUF conversion of the DFlash block-diffusion draft for MiMo-V2.5-Pro, built for speculative decoding in ik_llama.cpp. This is the validation artifact for ik_llama.cpp PR #2048.

Important: This is not a standalone model. It is a 5-layer draft that shares the target's token embedding and output head. It only produces meaningful output when launched as --model-draft alongside a full MiMo-V2.5-Pro target GGUF.

Files

FileSizePrecisionSHA-256
mimo-v25-pro-dflash-draft-bf16-rope5m-vscale-rope64.gguf5,542,740,352 bytesBF16e37bb1afdc5f8cc04df03b6f9d258be32afda44431191de22a056f4ab131a1e9

Matching target

Pair this draft with a MiMo-V2.5-Pro target GGUF. Validated against:

The validation used an unfused target. One fused-MoE conversion tested during the PR produced garbled target-only output, so it was excluded from the DFlash results. That observation does not establish that every fused MiMo conversion is incompatible.

Usage (ik_llama.cpp)

llama-server \
  -m   MiMo-V2.5-Pro-IQ3_S-unfused.gguf \
  --model-draft mimo-v25-pro-dflash-draft-bf16-rope5m-vscale-rope64.gguf \
  -ngl 999 -ngld 999 \
  -sm graph --max-gpu 4 \
  -fa on -ctk q4_0 -ctv q4_0 -ctkd q4_0 -ctvd q4_0 \
  --spec-type dflash:n_max=1,p_min=0.0,cross_ctx=16 \
  -c 8192 --host 127.0.0.1 --port 8080
  • --spec-type dflash:... selects the DFlash speculator. n_max=1 was optimal in this test. cross_ctx=16 is a small ring buffer of recent target positions visible to the draft; larger values reduced acceptance sharply.
  • -sm graph --max-gpu 4 was the best multi-GPU profile tested on 4×H200 NVL. Pinning the draft to one GPU with -devd added overhead under graph split.

Conversion metadata

GGUF keyValueNote
dflash-draft.block_count55-layer draft
dflash-draft.attention.head_count / head_count_kv128 / 8GQA
dflash-draft.rope.dimension_count64head_dim 128 × partial_rotary_factor 0.5 (upper half is NoPE)
dflash-draft.rope.freq_base10,000draft Q/K RoPE base from rope_theta
dflash-draft.dflash.backbone_rotary_base5,000,000RoPE base used for captured target-context K
dflash-draft.attention.value_scale0.612
dflash-draft.dflash.block_size8diffusion block size
dflash-draft.dflash.mask_token_id151669
dflash-draft.dflash.target_layer_ids[0, 15, 31, 47, 69]captured target layers
dflash-draft.dflash.n_target_features30,720target hidden_size 6144 × 5 layers
dflash-draft.attention.sliding_window1024all-SWA pattern across the 5 layers
I/O contractshared-targettoken_embd and output reuse the target's tensors

The file contains 63 tensors: five 12-tensor draft blocks plus dflash_fc, dflash_hidden_norm, and output_norm. It includes five blk.N.attn_sinks.weight tensors and does not contain token_embd or output tensors.

Validation

Validation was run remotely on 4×H200 NVL for ik_llama.cpp PR #2048. The draft was tested greedily at n_max=1, cross_ctx=16, with q4_0 KV cache on both target and draft.

PromptDraft acceptanceDFlash decode (tok/s)No-spec decode (tok/s)
double-link-list fixture54.6%55.659.9
quick-sort fixture60.4%59.460.8

Conversion notes

  • The source weights are the BF16 drafter in the dflash/ subdirectory of XiaomiMiMo/MiMo-V2.5-Pro-FP4-DFlash.
  • Target metadata and the tokenizer are read from the matching MiMo-V2.5-Pro-FP4-DFlash repository root with --target-model-dir. The draft carries no embeddings of its own.
  • Convert with convert_hf_to_gguf.py from ik_llama.cpp PR #2048, using the DFlashDraftModel path and --outtype bf16.
cd MiMo-V2.5-Pro-FP4-DFlash

python3 ../ik_llama.cpp/convert_hf_to_gguf.py dflash \
  --target-model-dir . \
  --outtype bf16 \
  --outfile mimo-v25-pro-dflash-draft-bf16-rope5m-vscale-rope64.gguf

Use ik_llama.cpp at PR #2048 or later. The final PR fix stores the draft's 10,000 RoPE base separately from the 5,000,000 backbone base. Older converter outputs must be reconverted rather than repaired by changing only rope.freq_base.

Troubleshooting low acceptance

  1. Confirm that the target produces coherent output by itself. A broken target conversion makes DFlash acceptance meaningless.
  2. Run an ik_llama.cpp build that includes PR #2048. The change includes runtime handling for attention sinks, value scaling, and MiMo2 target-feature capture in addition to GGUF metadata support.
  3. Start with dflash:n_max=1,p_min=0.0,cross_ctx=16 and a greedy code-completion prompt comparable to the validation fixtures. The reported 55–60% rates are fixture-specific, not a universal acceptance baseline.
  4. Test the target with this published draft. If this file also gives very low acceptance, inspect the target conversion and runtime setup. If this file works, compare the converted draft against the metadata and 63-tensor contract above.

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
780218d

0 моделей