/ Модель

Характеристики

Контекст
262 144 токена
Параметры
798 млн
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3.5-35B-A3B
Библиотека
transformers
Опубликована
16 июн 2026

Qwen3.5-35B-A3B-DFlash

Генерация текстаТекст → текст3 профессии

Черновая модель DFlash для спекулятивного декодирования с Qwen/Qwen3.5-35B-A3B, предназначенная для ускорения генерации на совместимом сервере инференса.

193скачиваний 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

Qwen3.5-35B-A3B-DFlash — черновая модель DFlash, совместно переобученная Z-Lab и Modal для ускорения генерации с целевой моделью Qwen/Qwen3.5-35B-A3B. Это не самостоятельная языковая модель: её подключают к серверу инференса с поддержкой спекулятивного декодирования DFlash, например SGLang.

Модель использует облегчённый блочно-диффузионный черновой алгоритм, который предлагает несколько токенов параллельно, а целевая модель проверяет предложения, сохраняя своё распределение выходов. В README указаны обучение на последовательностях длиной 40 тысяч токенов и скользящее оконное внимание; метаданные указывают 798 млн параметров и нативный контекст 262 144 токена. Формат весов — safetensors, библиотека — Transformers, лицензия — Apache-2.0.

Модель предназначена для увеличения пропускной способности при обслуживании запросов к целевой модели; приведённые в карточке тесты показывают ускорение на задачах математики и программирования. Результаты зависят от сервера, оборудования и параметров декодирования. Для работы необходима совместимая целевая модель и поддержка DFlash в сервере инференса; использовать этот чекпойнт как самостоятельную модель нельзя.

Сценарии применения

  • ускорение генерации ответов целевой моделью Qwen3.5
  • увеличение пропускной способности сервера генерации текста
  • ускорение генерации решений математических задач
  • ускорение генерации кода при обслуживании запросов

Ограничения

Это не самостоятельная языковая модель: для работы требуется целевая Qwen/Qwen3.5-35B-A3B и сервер инференса с поддержкой DFlash. Скорость зависит от конфигурации оборудования и декодирования; опубликованные бенчмарки проведены на NVIDIA B200 с SGLang.

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

Qwen3.5-35B-A3B-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/Qwen3.5-35B-A3B. 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/Qwen3.5-35B-A3B \
  --trust-remote-code \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path modal-labs/Qwen3.5-35B-A3B-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 3.71x speedup at concurrency 1 and 2.89x 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
gsm8k310.0 (1.00x)622.5 (2.01x)695.9 (2.24x)652.8 (2.11x)905.1 (2.92x)508.7 (1.64x)939.2 (3.03x)
math500308.0 (1.00x)645.7 (2.10x)723.2 (2.35x)710.1 (2.31x)995.6 (3.23x)569.8 (1.85x)1096.1 (3.56x)
humaneval304.4 (1.00x)617.3 (2.03x)721.0 (2.37x)672.4 (2.21x)989.3 (3.25x)538.6 (1.77x)1128.1 (3.71x)
mbpp309.0 (1.00x)605.4 (1.96x)717.3 (2.32x)619.8 (2.01x)949.4 (3.07x)468.6 (1.52x)1006.7 (3.26x)
mt-bench307.9 (1.00x)571.5 (1.86x)630.2 (2.05x)555.8 (1.81x)736.0 (2.39x)407.3 (1.32x)727.1 (2.36x)

Concurrency 32

WorkloadBaselineMTP steps=3DFlash block=4MTP steps=7DFlash block=8MTP steps=15DFlash block=16
gsm8k3453.8 (1.00x)6298.1 (1.82x)7145.2 (2.07x)6953.7 (2.01x)8863.0 (2.57x)5730.2 (1.66x)8275.6 (2.40x)
math5003395.2 (1.00x)6679.7 (1.97x)7380.6 (2.17x)7771.4 (2.29x)9803.0 (2.89x)6632.1 (1.95x)9776.9 (2.88x)
humaneval3287.7 (1.00x)5628.9 (1.71x)7077.2 (2.15x)6293.7 (1.91x)9096.8 (2.77x)5152.8 (1.57x)9083.5 (2.76x)
mbpp3485.1 (1.00x)5549.7 (1.59x)7203.1 (2.07x)5925.6 (1.70x)9164.9 (2.63x)4849.5 (1.39x)8758.6 (2.51x)
mt-bench3232.8 (1.00x)5651.5 (1.75x)6094.6 (1.89x)5920.9 (1.83x)6904.0 (2.14x)4603.6 (1.42x)6109.7 (1.89x)

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
gsm8k3.5043.4585.4025.4046.6056.983
math5003.5823.5465.6075.7216.9757.594
humaneval3.5473.6025.5615.9006.8888.218
mbpp3.3843.4514.9045.3175.6726.738
mt-bench3.2093.1374.4944.4325.2385.341

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
005f637

0 моделей