/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
3,7 млрд
Лицензия
Своя лицензия
Архитектура
k3_dspark · dense
Базовая модель
Kimi-K3
Опубликована
10 авг 2026

kimi-k3-dspark

Генерация текстаТекст → текст3 профессии

Черновая модель DSpark на основе Kimi-K3 предлагает токены для speculative decoding и ускорения генерации целевой модели Kimi-K3.

227скачиваний за 30 дней2лайкавеса обновлены21 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

Kimi-K3 DSpark — вспомогательная черновая модель для ускорения авторегрессивной генерации Kimi-K3 методом speculative decoding. Модель разработала lightseekorg на основе Kimi-K3; она обучена с помощью TorchSpec на ответах целевой модели и предназначена для работы в связке с ней, а не как самостоятельный генератор. Архитектура DSpark включает пятислойную MLA-основу, пять точек подключения к скрытым состояниям целевой модели, низкоранговую марковскую голову и голову оценки уверенности. Модель предлагает до семи черновых токенов за шаг; размер составляет 3,7 млрд параметров, формат весов — safetensors, контекст — до 1 048 576 токенов по метаданным.

Обучение проводилось на примерно 150 тысячах отобранных и заново сгенерированных примеров, с функцией потерь только по ответам ассистента и последовательностями до 32 тысяч токенов. В обучающую смесь входили инструкции, рассуждения, программирование, использование инструментов, китайские и многоязычные запросы. Модель предназначена для интеграции с Kimi-K3 в TokenSpeed; при запуске нужно соблюдать требования к потоку скрытых состояний attn_res и нормализации fc_norm. В README приведены результаты принятия черновых токенов на нескольких тестах, но показатели зависят от настройки генерации и сервера. Лицензия указана как other, без уточнения условий в предоставленных данных.

Сценарии применения

  • ускорение генерации ответов Kimi-K3 методом speculative decoding
  • ускорение генерации кода с Kimi-K3
  • ускорение рассуждений и решения математических задач Kimi-K3
  • ускорение многоязычных диалогов и следования инструкциям в Kimi-K3
  • ускорение генерации с использованием инструментов в Kimi-K3

Ограничения

Модель является вспомогательной и рассчитана на совместную работу с целевой Kimi-K3; для корректной подачи скрытых состояний требуется конфигурация TokenSpeed с attn_res и fc_norm. Обучение использовало около 150 тысяч примеров, а приведённые показатели ускорения относятся к ограниченному набору тестов и зависят от режима семплирования.

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

Kimi-K3 DSpark

Kimi-K3 DSpark is a speculative draft model for accelerating Kimi-K3. It was trained with TorchSpec, using online target-model inference and FSDP draft-model training. The architecture follows DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation.

The draft uses a five-layer MLA backbone, five target hidden-state taps, a low-rank Markov head, and a confidence head. It proposes up to seven draft tokens per speculative decoding step.

Training recipe

The training recipe was adapted from deepseek-ai/DeepSpec for online Kimi-K3 target inference and distributed TorchSpec training.

Due to limited compute resources, we trained on only approximately 150K selected and regenerated samples. We selected the prompts from lightseekorg/kimi-mtp-dataset and regenerated the responses with Kimi-K3. Regeneration is important for speculative decoding because the draft must learn the token-level distribution of the exact target model it accelerates.

The regenerated mix covers general instruction following, reasoning, coding and software engineering, tool use, Chinese, and multilingual prompts. Training used the Kimi-K3 renderer with assistant-only loss on sequences up to 32K tokens.

SettingValue
Training epochs5
Optimizer steps6,891
Global batch size128
Maximum sequence length32,768
Learning rate5e-5, cosine schedule
Warmup4%
Loss objectiveDecayed DSpark loss, gamma=4.0
Token loss weightsCross-entropy=0.1, L1=0.9
Confidence-head loss weight1.0
Draft layers5
Target hidden-state layers7, 31, 47, 63, 87
Speculative tokens7

Compute cost

The end-to-end online training run used 40 NVIDIA GB200 GPUs: 8 GPUs for FSDP training and 32 GPUs for online Kimi-K3 inference, equivalent to approximately 1,104 GB200 GPU-hours.

Performance

The primary metric is acc_len, defined as 1 + accepted_draft_tokens / draft_steps. Higher is better. Evaluation used num_speculative_tokens=7 and Kimi-K3 thinking mode.

BenchmarkSamplesGreedy draft, t=0Probabilistic draft, t=1.0, top_p=0.95
GSM8K1,3195.4645.290
HumanEval1644.9544.555
SPEED-Bench coding804.2994.024
SPEED-Bench RAG803.5333.475
SPEED-Bench multilingual803.4523.503
MATH-5005003.2543.201
SPEED-Bench QA803.1133.017
MT-Bench803.0472.864
SPEED-Bench writing802.7222.589
AIME 2026302.5722.352

Requests were sent through /v1/chat/completions with:

{
  "thinking": true,
  "thinking_effort": "max"
}

Launch with TokenSpeed

This checkpoint uses native DSpark support in TokenSpeed. The auxiliary AttnRes stream must be enabled for this training contract.

export TOKENSPEED_DFLASH_AUX_STREAM=attn_res

tokenspeed serve moonshotai/Kimi-K3 \
  --served-model-name moonshotai/Kimi-K3 \
  --tensor-parallel-size 16 \
  --distributed-executor-backend ray \
  --trust-remote-code \
  --max-model-len 131072 \
  --gpu-memory-utilization 0.92 \
  --speculative-config '{"method":"dspark","model":"lightseekorg/kimi-k3-dspark","num_speculative_tokens":7,"attention_backend":"FLASHINFER_MLA","draft_sample_method":"greedy","rejection_sample_method":"block"}' \
  --host 0.0.0.0 \
  --port 8000

Use "draft_sample_method":"greedy" for temperature-zero workloads. For sampled generation, launch a separate endpoint with "draft_sample_method":"probabilistic". The draft sampling method is a server-level setting.

Important serving notes

  1. The collected target hidden states must be captured after the attention residual (attn_res) has been applied and before the following pre-normalization. Set TOKENSPEED_DFLASH_AUX_STREAM=attn_res; using another residual stream changes the draft model's input distribution.
  2. This checkpoint's config declares fc_norm. Each collected hidden-state tap must pass through its corresponding fc_norm before the five taps are concatenated and passed to the linear context projection. Skipping this step is incompatible with the training contract.

TokenSpeed support for both requirements is implemented in lightseekorg/tokenspeed#1016.

Citation

@misc{cheng2026dspark,
  title={DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation},
  author={Xin Cheng and others},
  year={2026},
  eprint={2607.05147},
  archivePrefix={arXiv},
  primaryClass={cs.AI},
  url={https://arxiv.org/abs/2607.05147}
}

@misc{torchspec2026,
  title={TorchSpec: An Online Speculative Decoding Training Framework},
  url={https://github.com/torchspec-project/TorchSpec},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура k3_dspark неизвестна transformers в образе рантайма.

Класс архитектуры
K3DSparkModel
Ревизия весов
3db4c37

0 моделей