/ Модель

Характеристики

Контекст
262 144 токена
Параметры
3,3 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3.5-27B
Библиотека
transformers
Опубликована
16 июн 2026

Qwen3.5-27B-DFlash

Генерация текстаТекст → текст3 профессии

Черновая модель DFlash для Qwen/Qwen3.5-27B, ускоряющая генерацию токенов при обслуживании запросов через совместимый сервер спекулятивного декодирования.

132скачиваний за 30 дней1лайквеса обновлены16 июн 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

Qwen3.5-27B-DFlash — черновая модель DFlash, совместно переобученная Z-Lab и Modal для ускорения вывода базовой Qwen/Qwen3.5-27B. Это не самостоятельная языковая модель: её подключают к целевой модели в сервере инференса со свободным декодированием DFlash, например SGLang. Черновая модель на основе блочной диффузии параллельно предлагает несколько токенов, которые затем проверяет целевая модель, сохраняя её распределение выходов.

По данным карточки, обучение проводилось с последовательностями длиной 40 тысяч токенов и скользящим окном внимания. Метаданные указывают архитектуру DFlashDraftModel, формат safetensors, 3,3 млрд параметров и нативный контекст 262 144 токена. В описанных тестах на одной NVIDIA B200 ускорение достигало 6,20 раза при одном запросе и 3,01 раза при конкурентной обработке 32 запросов; результаты зависят от нагрузки и конфигурации.

Модель предназначена для увеличения пропускной способности при обслуживании запросов через парную Qwen/Qwen3.5-27B, а не для прямого общения с пользователем. Карточка не перечисляет поддерживаемые естественные языки. Лицензия — Apache-2.0.

Сценарии применения

  • ускорение инференса Qwen/Qwen3.5-27B в SGLang с поддержкой DFlash
  • повышение пропускной способности генерации при одновременной обработке запросов
  • ускорение генерации ответов на математические задачи через целевую модель
  • ускорение генерации кода через целевую модель
  • обслуживание длинных последовательностей с черновым декодированием

Ограничения

Это не самостоятельная чат-модель: для работы требуются целевая Qwen/Qwen3.5-27B и сервер инференса с поддержкой DFlash. Заявленные ускорения измерены на одной NVIDIA B200 в конкретных тестовых сценариях и могут отличаться при иных нагрузках и конфигурациях.

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

Qwen3.5-27B-DFlash

Paper | Github | Blog

This DFlash draft model is a joint retrain from Z-Lab and Modal, trained with 40k sequence length and sliding-window attention for improved long-context performance. It is mirrored across the following Hugging Face repositories:

This repository contains a DFlash draft model for Qwen/Qwen3.5-27B. 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 Qwen/Qwen3.5-27B \
  --trust-remote-code \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path modal-labs/Qwen3.5-27B-DFlash \
  --speculative-dflash-block-size 8 \
  --speculative-draft-attention-backend fa4 \
  --attention-backend trtllm_mha \
  --linear-attn-prefill-backend flashinfer \
  --linear-attn-decode-backend flashinfer \
  --mamba-scheduler-strategy extra_buffer \
  --tp-size 1 \
  --max-running-requests 32 \
  --cuda-graph-max-bs-decode 32 \
  --cuda-graph-backend-prefill tc_piecewise \
  --enable-flashinfer-allreduce-fusion \
  --mem-fraction-static 0.8 \
  --host 0.0.0.0 \
  --port 30000

Block size 8 is the recommended default for higher-concurrency serving. Block size 16 gives longer accept lengths and strong concurrency-1 throughput in most workloads.

Benchmark Results

We benchmarked DFlash against the autoregressive baseline and Qwen's built-in MTP draft path. DFlash reaches up to 6.20x speedup at concurrency 1 and 3.01x at concurrency 32. Across the benchmark suite, DFlash delivers higher throughput than MTP at every matched setting where both completed.

Setup

  • Runtime: SGLang on 1x NVIDIA B200 GPU, tensor parallel size 1, bfloat16
  • Backends: trtllm_mha target attention, fa4 DFlash draft attention, flashinfer linear-attention prefill and decode
  • Workloads: GSM8K, MATH500, HumanEval, MBPP, and MT-Bench with the Qwen chat template
  • Decoding: greedy, thinking enabled, max output length 4096 tokens
  • Measurement: 5 independent runs per configuration at concurrency 1 and 32 with continuous batching
  • Throughput: generated output tokens / wall-clock benchmark time, including prefill and scheduling
  • Accept length: completion_tokens / spec_verify_ct per generation turn, averaged across generation turns

Throughput and Speedup

Each cell is output tok/s (speedup). Bold marks the fastest speculative configuration in each row.

Concurrency 1

WorkloadBaselineMTP steps=3DFlash block=4MTP steps=7DFlash block=8MTP steps=15DFlash block=16
gsm8k92.8 (1.00x)250.0 (2.70x)262.7 (2.83x)306.7 (3.31x)393.6 (4.24x)269.0 (2.90x)460.5 (4.96x)
math50092.9 (1.00x)259.6 (2.80x)275.5 (2.97x)332.6 (3.58x)434.9 (4.68x)296.9 (3.20x)550.5 (5.93x)
humaneval92.4 (1.00x)252.6 (2.73x)273.6 (2.96x)320.6 (3.47x)440.0 (4.76x)289.2 (3.13x)572.4 (6.20x)
mbpp92.9 (1.00x)244.5 (2.63x)269.4 (2.90x)298.4 (3.21x)413.8 (4.45x)245.4 (2.64x)495.3 (5.33x)
mt-bench93.0 (1.00x)228.5 (2.46x)239.6 (2.58x)254.8 (2.74x)323.3 (3.48x)210.0 (2.26x)350.2 (3.77x)

Concurrency 32

WorkloadBaselineMTP steps=3DFlash block=4MTP steps=7DFlash block=8MTP steps=15DFlash block=16
gsm8k2094.6 (1.00x)4652.7 (2.22x)4987.3 (2.38x)4821.9 (2.30x)5643.8 (2.69x)3161.8 (1.51x)4108.4 (1.96x)
math5002123.6 (1.00x)4972.4 (2.34x)5270.3 (2.48x)5345.8 (2.52x)6339.6 (2.99x)3577.1 (1.68x)4990.8 (2.35x)
humaneval1972.2 (1.00x)4253.9 (2.16x)4821.1 (2.44x)4581.8 (2.32x)5928.1 (3.01x)3178.7 (1.61x)4866.3 (2.47x)
mbpp2081.1 (1.00x)4320.8 (2.08x)4945.9 (2.38x)4149.0 (1.99x)5478.8 (2.63x)2743.3 (1.32x)4191.0 (2.01x)
mt-bench2020.9 (1.00x)4001.9 (1.98x)4207.2 (2.08x)3827.4 (1.89x)4323.2 (2.14x)2427.1 (1.20x)2967.1 (1.47x)

Accept Length

Mean accept length at concurrency 1. Bold marks the higher value in each matched MTP/DFlash pair.

WorkloadMTP steps=3DFlash block=4MTP steps=7DFlash block=8MTP steps=15DFlash block=16
gsm8k3.5543.5295.5485.6446.8767.507
math5003.6203.6115.7165.9677.1238.221
humaneval3.5843.6575.6346.1777.0658.904
mbpp3.4563.5585.1285.7095.9137.567
mt-bench3.2533.2184.5694.6275.2935.618

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
dfa6bc1

0 моделей