/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
4,5 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Inkling-NVFP4
Библиотека
transformers
Опубликована
15 июл 2026

Inkling-NVFP4-DFlash

Генерация текстаТекст → текст3 профессии

Черновая модель DFlash для спекулятивного декодирования с thinkingmachines/Inkling-NVFP4, предназначенная для ускорения генерации текста.

150скачиваний за 30 дней3лайкавеса обновлены15 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

Inkling-NVFP4-DFlash — черновая модель DFlash от Modal Labs для ускорения генерации с целевой моделью thinkingmachines/Inkling-NVFP4. Это не самостоятельная языковая модель: её подключают к целевой модели в сервере спекулятивного декодирования. Модель семейства Qwen3, архитектура DFlashDraftModel, размер — 4,5 млрд параметров; веса опубликованы в формате safetensors. Метаданные указывают контекст до 1 048 576 токенов.

DFlash использует облегчённую блочную диффузионную модель, чтобы параллельно предлагать несколько токенов. Целевая модель проверяет предложения, сохраняя своё распределение выходов и потенциально повышая пропускную способность генерации. Пример из карточки использует SGLang, целевую модель Inkling-NVFP4 и блок из 16 токенов; предварительные измерения средней длины принятых предложений приведены для GSM8K, MATH500 и HumanEval при конкурентности 1.

Это ранняя предварительная версия, обучение модели ещё продолжается. Карточка сообщает о предварительной оценке длины принятого блока, но не приводит полного набора тестов пропускной способности и замеров при высокой конкурентности. Лицензия — Apache-2.0; для работы требуется совместимая целевая модель и сервер спекулятивного декодирования.

Сценарии применения

  • ускорение генерации текста в сервере спекулятивного декодирования
  • параллельное предложение токенов для проверки целевой моделью Inkling-NVFP4
  • экспериментальная оценка принятой длины блоков на математических задачах
  • ускорение генерации кода с целевой моделью Inkling-NVFP4

Ограничения

Это ранняя версия, обучение которой ещё продолжается; модель не является самостоятельной и требует целевой модели thinkingmachines/Inkling-NVFP4 и совместимого сервера спекулятивного декодирования. Приведены только предварительные замеры принятой длины при конкурентности 1, без полного набора тестов пропускной способности.

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

Inkling-NVFP4-DFlash

Paper | Github | Blog

This repository contains a DFlash draft model for thinkingmachines/Inkling-NVFP4. It is not a standalone language model. It is intended to be paired with the target model in a speculative decoding server.

This is an early preview release, and the drafter is still training. It uses all causal sliding-window attention (SWA) layers.

DFlash uses a lightweight block diffusion draft model to propose multiple tokens in parallel. The target model verifies those proposals, improving serving throughput while preserving the target model's output distribution.

Quick Start

Here is an example deployment. Some options, including trtllm_mha for draft attention, are pending upstream SGLang support.

sglang serve \
  --model-path thinkingmachines/Inkling-NVFP4 \
  --tp 8 \
  --trust-remote-code \
  --quantization modelopt_fp4 \
  --fp4-gemm-backend flashinfer_trtllm \
  --moe-runner-backend flashinfer_trtllm_routed \
  --enable-torch-symm-mem \
  --attention-backend fa4 \
  --mamba-radix-cache-strategy extra_buffer \
  --disable-custom-all-reduce \
  --page-size 128 \
  --reasoning-parser inkling \
  --tool-call-parser inkling \
  --enable-multimodal \
  --cuda-graph-backend-prefill breakable \
  --enable-scattered-sconv \
  --mem-fraction-static 0.78 \
  --max-running-requests 32 \
  --swa-full-tokens-ratio 0.10 \
  --mamba-full-memory-ratio 0.10 \
  --chunked-prefill-size 16384 \
  --watchdog-timeout 900 \
  --weight-loader-prefetch-checkpoints \
  --weight-loader-prefetch-num-threads 8 \
  --cuda-graph-max-bs-decode 32 \
  --cuda-graph-max-bs-prefill 4096 \
  --cuda-graph-bs-prefill 128 256 384 512 768 1024 1536 2048 2560 3072 3584 4096 \
  --kv-cache-dtype mxfp8 \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path modal-labs/Inkling-DFlash \
  --speculative-dflash-block-size 16 \
  --speculative-draft-model-quantization fp8 \
  --speculative-draft-attention-backend trtllm_mha \
  --speculative-draft-kv-cache-dtype fp8_e4m3 \
  --speculative-draft-window-size 4096 \
  --host 0.0.0.0 \
  --port 30000

Benchmark Results

This preview includes a preliminary accept-length evaluation at concurrency 1 and block size 16. A full benchmark suite, including throughput and higher-concurrency measurements, will follow.

Setup

  • Runtime: SGLang on 8x NVIDIA B300 GPUs, tensor parallel size 8
  • Target model: thinkingmachines/Inkling-NVFP4
  • Target weights and KV cache: ModelOpt NVFP4 weights with an mxfp8 KV cache
  • Backends: fa4 target attention and trtllm_mha DFlash draft attention
  • Draft model: FP8 weights with an fp8_e4m3 KV cache and a 4096-token draft window
  • Workloads: GSM8K, MATH500, HumanEval, MBPP, and MT-Bench with Inkling's native chat renderer
  • Decoding: greedy, reasoning effort 0.9, max output length 2048 tokens
  • Measurement: DFlash block size 16 at concurrency 1, with up to 64 measured generation requests per workload; warmup and warmdown requests are excluded
  • Accept length: completion_tokens / spec_verify_ct per generation turn, averaged across generation turns

Accept Length

Mean DFlash accept length at concurrency 1.

WorkloadDFlash block=16
GSM8K4.562
MATH5004.712
HumanEval4.959
MBPP3.907
MT-Bench2.914

Citation

If you find DFlash useful, please cite the original paper:

@article{chen2026dflash,
  title   = {{DFlash: Block Diffusion for Flash Speculative Decoding}},
  author  = {Chen, Jian and Liang, Yesheng and Liu, Zhijian},
  journal = {arXiv preprint arXiv:2602.06036},
  year    = {2026}
}

Как запустить

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

GPU в ailist

vLLM

Нельзя запустить

Модели нужен vLLM (квантизация), но архитектура DFlashDraftModel ему неизвестна.

Класс архитектуры
DFlashDraftModel
Ревизия весов
8ba841c

0 моделей