/ Модель

Характеристики

Лицензия
MIT
Базовая модель
GLM-5.2-FP8
Библиотека
speculators
Опубликована
2 июл 2026

GLM-5.2-speculator.dspark-preview

Генерация текстаТекст → текст3 профессии

Черновая модель DSpark для speculative decoding ускоряет генерацию текста базовой GLM-5.2-FP8.

463скачиваний за 30 дней61лайквеса обновлены7 июл 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

Это вспомогательная модель DSpark от mgoin для ускорения генерации zai-org/GLM-5.2-FP8 методом speculative decoding. Она предсказывает блоки токенов-кандидатов, которые проверяет базовая модель, чтобы уменьшить задержку вывода при сохранении генерации базовой модели. Архитектура включает пятислойную черновую сеть на основе DFlash, Markov logit-bias head для зависимостей между токенами внутри блока и head для оценки вероятности принятия токенов. Размер блока — 8 токенов, используется полный словарь из 154 880 токенов; веса сохранены в Safetensors.

Модель предназначена для ускорения инференса GLM-5.2 в совместимом сценарии чата и генерации текста. Валидация после третьей эпохи показала среднюю длину принятого блока 3,967 токена и среднюю долю принятия 0,584 на отложенной выборке. Для работы требуется базовая модель zai-org/GLM-5.2-FP8 и поддержка DSpark speculative decoding в используемом движке; карточка отмечает, что поддержка в vLLM внедряется. Лицензия — MIT.

Сценарии применения

  • ускорение генерации ответов GLM-5.2 в чате
  • снижение задержки инференса GLM-5.2-FP8
  • спекулятивное декодирование блоков токенов в совместимом движке

Ограничения

Модель предназначена для работы совместно с базовой zai-org/GLM-5.2-FP8 и требует движка с поддержкой DSpark; в README сказано, что поддержка в vLLM ещё внедряется. Приведённые метрики получены на валидационном наборе и сами по себе не гарантируют ускорение в конкретной конфигурации.

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-5.2 DSpark speculator

Overview

A DSpark speculator model for the zai-org/GLM-5.2-FP8 base model, enabling faster inference through speculative decoding. DSpark extends the DFlash parallel draft backbone with two lightweight heads: a Markov logit-bias head (low-rank intra-block token dependency) and a per-position confidence head (accept-rate prediction). Trained with the speculators library.

main is the final epoch-3 checkpoint (best validation).

Model Specifications

  • Base Model: zai-org/GLM-5.2-FP8
  • Chat Template: GLM-5.2 (compatible with /chat/completions)
  • Format: Safetensors
  • License: MIT
  • Draft: 5 layers, block_size=8, full vocabulary (154,880), aux layers [8, 23, 39, 55, 70]
  • Validation Hardware: NVIDIA B300

Checkpoint series

Per-epoch checkpoints of a single 3-epoch run. main = the final (epoch-3) checkpoint; each epoch is also a permanent revision.

revisionepochstatus
epoch-11 / 3✅ available
epoch-22 / 3✅ available
epoch-33 / 3✅ final (= main)
from transformers import AutoModel
model = AutoModel.from_pretrained(
    "RedHatAI/GLM-5.2-speculator.dspark", trust_remote_code=True  # or revision="epoch-3"
)

Evaluation Results

Validation metrics after epoch 3 (held-out split):

metricvalue
mean accepted length3.967
full accuracy0.613
mean acceptance rate0.584
confidence abs error0.044

Per-position acceptance (positions 1-7): 0.829 / 0.723 / 0.646 / 0.587 / 0.539 / 0.500 / 0.464

Epoch-over-epoch mean accepted length (train-set proxy for epochs 1-2, val for epoch 3): 3.376 → 3.819 → 3.967 (val).

Training Details

The model was trained using the Speculators library on prompts from Magpie-Align/Magpie-Llama-3.1-Pro-300K-Filtered and HuggingFaceH4/ultrachat_200k, with responses regenerated by GLM-5.2-FP8 itself (published as mgoin/GLM-5.2-FP8-magpie-ultrachat).

Training is online: the draft consumes hidden states streamed on-the-fly from a live GLM-5.2-FP8 vLLM server, with the trainer running FSDP data-parallel on separate GPUs. The three commands below (data prep → server → trainer) reproduce the run. Install speculators and vLLM from main. GPU indices/parallelism are examples — adjust to your hardware.

Data Preparation

python scripts/prepare_data.py \
  --model zai-org/GLM-5.2-FP8 \
  --trust-remote-code \
  --data ./regenerated_data.jsonl \
  --output ./output \
  --seq-length 8192 \
  --assistant-pattern '<\|assistant\|>((?:(?!<\|user\|>|<\|assistant\|>).)*)'

--assistant-pattern is currently needed for GLM-5.2's inline-reasoning chat format (the <think>...</think> trace is kept inside the assistant turn); it may be auto-detected by future speculators versions.

vLLM Server Launch (hidden-states server)

CUDA_VISIBLE_DEVICES=0,1,2,3 python scripts/launch_vllm.py \
  zai-org/GLM-5.2-FP8 \
  --target-layer-ids 8 23 39 55 70 \
  -- --port 8000 \
  --tensor-parallel-size 4 \
  --gpu-memory-utilization 0.9 \
  --max-model-len 8192 \
  --trust-remote-code

Training Command

CUDA_VISIBLE_DEVICES=4,5,6,7 torchrun \
  --standalone \
  --nproc_per_node 4 \
  scripts/train.py \
  --verifier-name-or-path zai-org/GLM-5.2-FP8 \
  --speculator-type dspark \
  --num-layers 5 \
  --block-size 8 \
  --data-path ./output \
  --vllm-endpoint http://localhost:8000/v1 \
  --save-path ./output/checkpoints \
  --epochs 3 \
  --lr 0.0006 \
  --scheduler-type cosine \
  --total-seq-len 4096 \
  --draft-arch qwen3 \
  --draft-hidden-act silu \
  --target-layer-ids 8 23 39 55 70 \
  --max-anchors 1024 \
  --markov-rank 256 \
  --enable-confidence-head \
  --confidence-head-with-markov \
  --loss-fn '{"ce": 0.1, "tv": 0.9}' \
  --confidence-head-alpha 1.0 \
  --checkpoint-freq 0.2 \
  --on-missing generate \
  --on-generate delete \
  --seed 42 \
  --log-freq 100 \
  --prefetch-factor 2 \
  --num-workers 8 \
  --trust-remote-code

Notes:

  • Omitting --draft-vocab-size trains on the full vocabulary; pass --draft-vocab-size 32000 for a reduced draft vocab.
  • DSpark-specific flags: --markov-rank, --enable-confidence-head, --confidence-head-with-markov, --confidence-head-alpha. Dropping them (and using --speculator-type dflash) recovers a plain DFlash draft.

Deployment

DSpark inference support in vLLM is landing; once available, deploy with speculative decoding:

vllm serve zai-org/GLM-5.2-FP8 \
    --tensor-parallel-size 4 \
    --max-model-len 16384 \
    --trust-remote-code \
    --speculative-config '{
        "model": "RedHatAI/GLM-5.2-speculator.dspark",
        "num_speculative_tokens": 7,
        "method": "dspark"
    }'

References

  • DFlash: Block Diffusion for Flash Speculative Decoding (arXiv:2602.06036) — the parallel draft backbone DSpark builds on.
  • DSpark (DeepSeek) — the Markov + confidence-head additions replicated here.
  • speculators — training library.

AI assistance was used to build the training pipeline and run these experiments.

Как запустить

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

GPU в ailist

Универсальный рантайм · speculators

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
DSparkDraftModel
Ревизия весов
a278cc0

0 моделей