/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
1,6 млрд
Лицензия
CC BY-NC-ND 4.0
Архитектура
qwen3 · dense
Базовая модель
GLM-5.3-Flash-DFlash2
Библиотека
vllm
Опубликована
28 авг 2026

GLM-5.3-Flash-DFlash2-MXFP8

Генерация текстаТекст → текст3 профессии

GLM-5.3-Flash-DFlash2-MXFP8 — это квантизированная MXFP8 черновая модель DFlash 2, опубликованная local-inference-lab на основе исходной модели incoai/GLM-5.3-Flash-DFlash2.

915скачиваний за 30 дней6лайковвеса обновлены2 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

Она предназначена для ускорения спекулятивного декодирования целевой модели local-inference-lab/GLM-5.3-Flash-NVFP4: сервер генерирует черновые токены с помощью этой модели, а целевая модель проверяет каждый из них. Самостоятельно как языковая модель она не используется.

Модель рассчитана на сценарии высокопроизводительного сервинга через совместимый vLLM с интеграцией DFlash 2 и ModelOpt MXFP8. Линейные веса представлены в формате float8_e4m3fn, значения масштабов хранятся как E8M0 в uint8, размер блока квантизации составляет 1×32; модуль lm_head исключён. В квалифицированной конфигурации использовались семь черновых токенов, BF16 для KV-кэша черновой модели и четыре NVIDIA RTX PRO 6000 Blackwell с tensor parallel size 4. Размер загруженных черновых весов составил 1,20 ГБ. Языки, исходная архитектура целевой модели и предельный контекст самой черновой модели в карточке не указаны; для целевого сервинга приведено значение MAX_MODEL_LEN 262144.

Сильная сторона модели — совместимость с проверенной конфигурацией DFlash 2 и MXFP8, позволяющей применять её как специализированный компонент ускоренного инференса. Ограничения существенны: модель не является самостоятельной, требует указанной целевой модели, совместимого runtime и аппаратно-программной конфигурации; сборки vLLM без интеграции DFlash 2 и ModelOpt MXFP8 не поддерживаются. Smoke-тест подтвердил загрузку и инференс, но пропускная способность и производительность CUDA Graph не были квалифицированы. Исходная модель распространяется по лицензии CC BY-NC-ND 4.0, предусматривающей ограничения на коммерческое использование и создание производных работ.

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

GLM-5.3-Flash-DFlash2-MXFP8

This repository contains an MXFP8-quantized DFlash 2 draft model for local-inference-lab/GLM-5.3-Flash-NVFP4. It is not a standalone language model. A compatible speculative-decoding server loads it beside the target model and verifies every drafted token against the target.

The source checkpoint is incoai/GLM-5.3-Flash-DFlash2 at immutable revision dc77ff1c99eeb2df044ee3d4f0094eb033fee410.

Format

  • Linear weights: float8_e4m3fn
  • Scale values: biased E8M0 exponents stored as uint8
  • Quantization block: 1×32 values
  • Scale layout: row-major and unswizzled
  • Excluded module: lm_head
  • Draft KV cache quantization: not encoded in the checkpoint

conversion_manifest.json records the immutable source revision, source and output checksums, tensor coverage, aggregate quantization error, and per-weight validation statistics.

Validation status

Status: qualified for checkpoint structure, exact format reproduction, loading, and smoke inference under the following conditions:

  • Target: local-inference-lab/GLM-5.3-Flash-NVFP4 revision 520de24eabf507659eaef7c70f14fd584527facc
  • Runtime: voipmonitor/vllm:glm53-flash-nvfp4-dflash2-community-20260830-r5
  • Hardware: four NVIDIA RTX PRO 6000 Blackwell Workstation Edition GPUs
  • Parallelism: tensor parallel size 4 and decode-context parallel size 1
  • Target attention, MoE, linear, and tensor-parallel all-reduce: B12X
  • DFlash attention: FlashAttention 2
  • DFlash linear: B12X MXFP8
  • DFlash proposal length: seven tokens
  • DFlash KV cache: auto (BF16)
  • CUDA graph mode: NONE for the load-and-inference qualification

The runtime detected ModelOpt MXFP8, selected B12xMxfp8LinearKernel for draft GEMMs and the fused DFlash context K/V projection, loaded 1.20 GB of draft weights, and completed a 32-token speculative request. Runtime throughput and CUDA graph performance are not qualified by that smoke test.

The checkpoint is unsupported in vLLM builds that do not contain the DFlash 2 and ModelOpt MXFP8 integration used by the qualified runtime.

Serving

docker run --rm \
  --gpus '"device=0,1,2,3"' \
  --network host \
  --ipc host \
  --shm-size 32g \
  -e MODEL=local-inference-lab/GLM-5.3-Flash-NVFP4 \
  -e SERVED_MODEL_NAME=GLM-5.3-Flash-NVFP4 \
  -e PORT=8000 \
  -e TP=4 \
  -e DCP=1 \
  -e MAX_NUM_SEQS=16 \
  -e MAX_MODEL_LEN=262144 \
  -e MAX_NUM_BATCHED_TOKENS=4096 \
  -e SPECULATOR=dflash \
  -e NUM_SPECULATIVE_TOKENS=7 \
  -e DFLASH_MODEL=local-inference-lab/GLM-5.3-Flash-DFlash2-MXFP8 \
  -e DFLASH_MODEL_REVISION= \
  -e DFLASH_KV_CACHE_DTYPE=auto \
  -e DFLASH_ATTENTION_BACKEND=FLASH_ATTN \
  -e ATTENTION_BACKEND=B12X \
  -e MOE_BACKEND=b12x \
  -e LINEAR_BACKEND=b12x \
  -e B12X_PCIE_ALLREDUCE=1 \
  -e CUDAGRAPH_MODE=FULL \
  -e VLLM_B12X_MOE_FP4_FORCE_A16=0 \
  voipmonitor/vllm:glm53-flash-nvfp4-dflash2-community-20260830-r5

An empty DFLASH_MODEL_REVISION makes the launcher resolve the repository's main branch. For reproducible deployments, replace the empty value with an immutable Hugging Face commit hash. The OpenAI-compatible endpoint is available at http://127.0.0.1:8000/v1.

License and attribution

The source DFlash 2 model is distributed under CC BY-NC-ND 4.0. See the source model card for its use restrictions and attribution information.

@misc{inco2026dflash2,
  title  = {{DFlash 2: Keep Drafting Parallel}},
  author = {{Inco AI}},
  year   = {2026},
  month  = {August},
  url    = {https://inco.ai/blog/dflash2/}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · vllm

Можно запустить

Подбираем GPU…

Класс архитектуры
DFlash2DraftModel
Ревизия весов
610aa96

0 моделей