/ Модель

Характеристики

Контекст
1 048 576 токенов
Параметры
3,8 млрд
Лицензия
Своя лицензия
Архитектура
qwen3 · dense
Базовая модель
Kimi-K3
Библиотека
transformers
Опубликована
26 июл 2026

Kimi-K3-DFlash

Генерация текстаТекст → текст3 профессии

Вспомогательная DFlash-модель для ускорения генерации moonshotai/Kimi-K3 посредством параллельных предложений токенов с проверкой целевой моделью.

4 586скачиваний за 30 дней4лайкавеса обновлены5 авг 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

Kimi-K3-DFlash — вспомогательная модель-проектировщик DFlash от Modal Labs для ускорения генерации с целевой моделью moonshotai/Kimi-K3. Это плотная модель класса DFlashDraftModel на 3,8 млрд параметров, обученная на общей смеси данных без вызовов инструментов и агентных трасс. Она использует блочную диффузию, чтобы параллельно предлагать несколько токенов; целевая модель проверяет предложения, сохраняя своё распределение выходов.

Модель не является самостоятельной языковой моделью и предназначена для совместной работы с поддерживающим DFlash сервером инференса, например SGLang. В тестах на 8 GPU NVIDIA B300 авторы сообщают о пиковых значениях до примерно 900 выходных токенов в секунду на запрос при определённых настройках; это результаты экспериментальной конфигурации, а не общая гарантия производительности.

Контекст, указанный в метаданных, составляет 1 048 576 токенов. Лицензия обозначена как other; конкретные условия следует проверять в репозитории модели.

Сценарии применения

  • ускорение генерации текста с Kimi-K3 через speculative decoding
  • развёртывание DFlash-декодирования в SGLang
  • ускорение генерации ответов на математические задачи
  • ускорение генерации кода целевой моделью Kimi-K3
  • ускорение генерации при обработке длинного контекста

Ограничения

Модель не работает как самостоятельная языковая модель и требует целевую moonshotai/Kimi-K3 и сервер инференса с поддержкой DFlash. Показатели скорости получены на конкретной экспериментальной конфигурации оборудования и настроек.

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-DFlash

Paper | Github | Blog

This repository contains a DFlash draft model for moonshotai/Kimi-K3 trained only on a generic data mix (no tool calls, agentic traces, etc). It is not a standalone language model. It is intended to be paired with the target model in a speculative decoding server.

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

This model should be used with an inference server that supports DFlash speculative decoding. An example SGLang deployment is:

export SGLANG_ENABLE_OVERLAP_PLAN_STREAM=1

python -m sglang.launch_server \
  --model-path moonshotai/Kimi-K3 \
  --trust-remote-code \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path modal-labs/Kimi-K3-DFlash \
  --speculative-dflash-block-size 16 \
  --speculative-draft-attention-backend trtllm_mha \
  --attention-backend trtllm_mla \
  --linear-attn-prefill-backend ptx_kda \
  --linear-attn-decode-backend triton \
  --linear-attn-verify-backend triton \
  --enable-gdn-replayssm-spec \
  --linear-replayssm-cache-len 32 \
  --moe-runner-backend flashinfer_mxfp4 \
  --cuda-graph-backend-prefill breakable \
  --cuda-graph-max-bs-prefill 16384 \
  --tp-size 8 \
  --mem-fraction-static 0.88 \
  --host 0.0.0.0 \
  --port 30000

Block size 8 is the recommended default. Block size 16 gives longer accept lengths.

Benchmark Results

On certain workloads we have measured peak per-request decode throughput approaching 900 output tok/s at concurrency 1 with an experimental block size 16 nv_cutedsl linear attention verify backend (877 tok/s on GSM8K and 862 tok/s on MATH500).

Setup

  • Runtime: SGLang on 8x NVIDIA B300 GPUs, tensor parallel size 8, bfloat16
  • Backends: trtllm_mla target attention, trtllm_mha DFlash draft attention, ptx_kda linear attention prefill, triton linear attention decode and verify, flashinfer_mxfp4 MoE runner
  • Workloads: GSM8K, MATH500, HumanEval, MBPP, MT-Bench, LongBench-v2 (samples up to 128k tokens), and a long-context HumanEval variant (cold 64k-token prefix) with the Kimi chat template
  • Decoding: greedy, thinking enabled, max output length 4096 tokens
  • Accept length: completion_tokens / spec_verify_ct per generation turn, averaged across generation turns

Accept Length

Mean accept length at concurrency 1.

WorkloadDFlash block=8DFlash block=16
gsm8k5.9057.984
math5004.9516.194
humaneval6.0138.358
humaneval-long5.9488.217
mbpp5.3656.738
mt-bench4.2024.921
longbench-v23.4553.688

Acknowledgements

Special thanks to our close collaborators Jian Chen and Zhijian Liu from Z-Lab — we are deeply grateful for the thoughtful discussions, careful ablations, and genuine spirit of collaboration that made this release possible. This model is also mirrored on their Hugging Face at:

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

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
DFlashDraftModel
Ревизия весов
c192d15

0 моделей