/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,9 млрд
Лицензия
Своя лицензия
Архитектура
qwen3 · dense
Базовая модель
Qwen3.8-27B-NVFP4
Библиотека
transformers
Опубликована
28 сен 2026

Qwen3.8-27B-DSpark-vLLM

Генерация текстаТекст → текст3 профессии

Черновая модель DSpark для ускорения генерации целевыми моделями Qwen3.8-27B в совместимой среде обслуживания.

256скачиваний за 30 дней0лайковвеса обновлены28 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

Это копия модели-черновика Qwen3.8-27B-DSpark, подготовленная для загрузки через vLLM. Её разработал RadixArk; автор карточки изменил только название архитектуры в конфигурации, чтобы vLLM выбрал реализацию Qwen3 DSpark. Веса не менялись. Модель предназначена для ускорения генерации целевыми моделями Qwen3.8-27B с помощью спекулятивного декодирования DSpark, а не для самостоятельной генерации ответов.

В чекпойнте около 1,86 млрд параметров в формате BF16; он включает пять слоёв с полным вниманием, GQA и Markov head. Максимальная длина позиций — 262 144 токена. В README приведены результаты оценки скорости и принятия черновых токенов на задачах математики и программирования при использовании SGLang; результаты зависят от целевой модели, оборудования и настроек обслуживания.

Для работы требуется совместимая целевая модель Qwen3.8-27B и среда, поддерживающая DSpark. Применяются исходные условия лицензии «other» базового репозитория RadixArk/Qwen3.8-27B-DSpark; конкретные условия в этой карточке не раскрыты.

Сценарии применения

  • ускорение генерации ответов Qwen3.8-27B
  • ускорение выдачи кода целевой моделью Qwen3.8
  • ускорение решения математических задач целевой моделью Qwen3.8
  • обслуживание Qwen3.8-27B со спекулятивным декодированием в vLLM или SGLang

Ограничения

Модель требует совместимой целевой модели Qwen3.8-27B и поддержки DSpark в используемой среде; как черновик она не предназначена для самостоятельного применения. Условия лицензии «other» следует уточнять в исходном репозитории.

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

vLLM-loadable copy of RadixArk/Qwen3.8-27B-DSpark. The weights (model.safetensors) are unchanged. The only change is one line in config.json:

- "architectures": ["DSparkDraftModel"]
+ "architectures": ["Qwen3DSparkModel"]

vLLM routes DSparkDraftModel to its DeepSeek-V4 implementation, so the original checkpoint fails to load there; Qwen3DSparkModel selects the Qwen3 DSpark implementation. All credit for the drafter goes to RadixArk; the original licence terms apply (license: other, see the original repository).

Example: --speculative-config '{"method":"dspark","model":"<this repo>","num_speculative_tokens":7,"draft_sample_method":"probabilistic"}'

Qwen3.8-27B-DSpark

A DSpark speculative-decoding draft model for Qwen3.8-27B target models, trained with SpecForge and served with SGLang.

The checkpoint has been evaluated with both RadixArk/Qwen3.8-27B-NVFP4 and Qwen/Qwen3.8-27B-FP8 targets. The acceptance-length evaluation below uses the NVFP4 target. The throughput evaluation uses the FP8 target.

Checkpoint

  • Draft parameters: 1,857,358,337 (1.86B)
  • Draft weight dtype: BF16
  • Hidden size: 5,120
  • Transformer layers: five full-attention layers
  • Attention: GQA with 32 query heads and eight key/value heads
  • Target auxiliary feature layers: 5, 19, 33, 47, 61
  • Markov head: VanillaMarkov, rank 256
  • Training target width: 16 future positions
  • Serving gamma: seven draft proposals
  • Target verification width: eight tokens, including the target bonus token
  • Maximum position embeddings: 262,144

The serving configuration uses block_size=7. The separate training_block_size=16 records the supervision width used during training.

Acceptance length

Results cover 64,675 completed requests across 17 workloads.

CategoryWorkloadPromptsDSpark v1DSpark v2
CodeHumanEval1643.04373.8468
CodeMBPP2573.22994.0603
CodeLiveCodeBench1,0552.59153.3462
CodeBigCodeBench1,1402.77523.4678
MathGSM8K1,3193.60304.5162
MathMATH-5005003.25594.2267
MathAIME 2025302.97983.9401
MathAMC23403.21114.1572
MathGSM-Symbolic2,0483.45544.2716
ChatMT-Bench802.60753.2860
ChatAlpaca52,0022.56593.2337
ChatArena-Hard-v27502.59103.2536
ChatIFEval5412.94573.6628
Misc.MMLU-Pro2,0482.83453.5964
Misc.GPQA-Diamond1982.76343.5109
Misc.LongBench-v25033.26023.9268
Misc.RULER-8K2,0004.95856.3009
AggregateDSpark v1DSpark v2Change
Request-count weighted, 64,675 prompts2.7211433.428567+26.00%
Workload macro, 17 workloads3.0983683.917881+26.45%

Acceptance-length protocol:

  • Runtime: SGLang v0.5.17
  • Hardware and topology: four NVIDIA GB300 GPUs, DP4 × TP1
  • Sampling: thinking enabled, temperature 1.0, top-p 0.95, top-k 20, seed 980406
  • Generation limit: 8,192 tokens; client concurrency: 128

Throughput

Throughput is total output tokens divided by end-to-end timed wall duration. Each speculative-decoding cell is output tok/s (speedup over autoregressive).

Concurrency 1

WorkloadAutoregressiveEAGLEDSpark v1DSpark v2
GSM8K94.2179.9 (1.91×)238.6 (2.53×)297.3 (3.16×)
MATH-50095.0174.0 (1.83×)214.4 (2.26×)280.0 (2.95×)
HumanEval95.8165.5 (1.73×)205.5 (2.14×)254.8 (2.66×)
MBPP93.8166.7 (1.78×)208.6 (2.22×)261.6 (2.79×)
MT-Bench95.8157.4 (1.64×)171.3 (1.79×)215.8 (2.25×)

Concurrency 8

WorkloadAutoregressiveEAGLEDSpark v1DSpark v2
GSM8K602.71,001.1 (1.66×)1,183.8 (1.96×)1,494.0 (2.48×)
MATH-500635.21,071.6 (1.69×)1,208.2 (1.90×)1,575.1 (2.48×)
HumanEval667.91,031.3 (1.54×)1,159.2 (1.74×)1,435.1 (2.15×)
MBPP635.4988.3 (1.56×)1,123.7 (1.77×)1,393.7 (2.19×)
MT-Bench647.9963.2 (1.49×)958.4 (1.48×)1,195.5 (1.85×)

Concurrency 32

WorkloadAutoregressiveEAGLEDSpark v1DSpark v2
GSM8K1,298.51,969.5 (1.52×)1,934.2 (1.49×)2,268.5 (1.75×)
MATH-5001,764.22,353.4 (1.33×)2,014.2 (1.14×)2,545.2 (1.44×)
HumanEval1,862.22,296.9 (1.23×)1,918.5 (1.03×)2,472.3 (1.33×)
MBPP1,738.42,286.3 (1.32×)1,926.3 (1.11×)2,413.1 (1.39×)
MT-Bench1,814.22,133.4 (1.18×)1,593.3 (0.88×)1,973.0 (1.09×)

Throughput protocol:

  • EAGLE uses the target-integrated MTP head loaded as Qwen3_5ForCausalLMMTP, without an external draft checkpoint
  • Hardware and topology: one NVIDIA H200 per workload, TP1 × DP1
  • 128 prompts per cell, dataset shuffle seed 42, concurrency 1/8/32, max_tokens=2048, reasoning effort xhigh, temperature 1.0, top-p 0.95, top-k 20
  • EAGLE serving: three speculative steps, top-k 1, four draft tokens, Mamba full-memory ratio 8.26, extra_buffer radix-cache strategy, float32 Mamba state
  • DSpark serving: gamma 7, target verify width 8, one speculative step, block size 7, Mamba full-memory ratio 11.93, extra_buffer radix-cache strategy, float32 Mamba state
  • Autoregressive and EAGLE serving used mem-fraction-static=0.85. DSpark used 0.80 with expandable CUDA allocation segments. Every mode retained its complete prefill and speculative-verification CUDA graph set and used max-running-requests=48.

Serving with SGLang

PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True \
SGLANG_RAGGED_VERIFY_MODE=static \
sglang serve \
  --trust-remote-code \
  --model-path Qwen/Qwen3.8-27B-FP8 \
  --kv-cache-dtype fp8_e4m3 \
  --mem-fraction-static 0.80 \
  --attention-backend flashinfer \
  --chunked-prefill-size 32768 \
  --max-prefill-tokens 32768 \
  --reasoning-parser qwen3 \
  --tool-call-parser qwen3_coder \
  --mamba-full-memory-ratio 11.93 \
  --mamba-radix-cache-strategy extra_buffer \
  --mamba-ssm-dtype float32 \
  --max-running-requests 48 \
  --speculative-algorithm DSPARK \
  --speculative-draft-model-path RadixArk/Qwen3.8-27B-DSpark \
  --speculative-draft-model-quantization unquant \
  --speculative-draft-attention-backend flashinfer \
  --speculative-dspark-block-size 7 \
  --speculative-num-steps 1 \
  --speculative-eagle-topk 1 \
  --host 127.0.0.1 \
  --port 30000

Artifact identity

FileBytesSHA-256
model.safetensors3,714,723,3222aff025f45823b40ebe726b9dfa40302f3512bd9a11c3a7347de32a567acd9a7
config.json2,448dd65fb1b01c2adea69512ff2990a79d58eb7fe2c7ea97375aa66f657a29a5bfd

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3DSparkModel
Ревизия весов
47c30a0

0 моделей