/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,2 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3.5-397B-A17B
Библиотека
transformers
Опубликована
12 июн 2026

Qwen3.5-397B-A17B-DFlash

Генерация текстаТекст → текст3 профессии

Производная модели lmsys/Qwen3.5-397B-A17B-DFlash. Черновая модель DFlash для Qwen3.5-397B-A17B, ускоряющая генерацию текста через спекулятивное декодирование на совместимом сервере.

68скачиваний за 30 дней5лайковвеса обновлены15 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

Карточка модели modal-labs/Qwen3.5-397B-A17B-DFlash на Hugging Face совпадает с карточкой lmsys/Qwen3.5-397B-A17B-DFlash, поэтому описание составлено по ней.

Qwen3.5-397B-A17B-DFlash — черновая модель DFlash, выпущенная совместно Z-Lab, Modal и SGLang для использования вместе с целевой моделью Qwen/Qwen3.5-397B-A17B. Это не самостоятельная языковая модель: её подключают к серверу инференса, поддерживающему спекулятивное декодирование DFlash. Модель использует облегчённую блочную диффузионную архитектуру, чтобы параллельно предлагать несколько токенов, которые целевая модель проверяет; такой подход ускоряет генерацию, сохраняя распределение выходов целевой модели.

В метаданных указаны 2,2 млрд параметров, контекст 262 144 токена, формат safetensors и библиотека Transformers. README приводит результаты тестов с SGLang на восьми NVIDIA B200: ускорение зависит от нагрузки и настроек, достигая 4,31 раза при конкуренции 1 и 2,77 раза при конкуренции 32. Проверялись задачи GSM8K, MATH500, HumanEval, MBPP и MT-Bench. Модель распространяется по лицензии Apache-2.0. Для работы требуется соответствующая целевая модель и сервер с поддержкой DFlash speculative decoding; приведённые показатели получены на конкретной конфигурации оборудования и тестовых нагрузках.

Сценарии применения

  • ускорение генерации ответов на базе Qwen3.5-397B-A17B
  • повышение пропускной способности сервера генерации текста
  • ускорение решения математических задач моделью Qwen
  • ускорение генерации и дополнения программного кода моделью Qwen
  • обслуживание диалоговых запросов с меньшей задержкой

Ограничения

Это не самостоятельная модель: для работы необходима целевая Qwen/Qwen3.5-397B-A17B и сервер инференса с поддержкой DFlash. Заявленные показатели ускорения зависят от оборудования, нагрузки и параметров декодирования.

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

Qwen3.5-397B-A17B-DFlash

Paper | Github | Blog

This is a joint release collaboration between Z-Lab, Modal, and SGLang. The draft model is mirrored across the following Hugging Face repositories:

This repository contains a DFlash draft model for Qwen/Qwen3.5-397B-A17B. 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/Qwen3.5-397B-A17B \
  --trust-remote-code \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path modal-labs/Qwen3.5-397B-A17B-DFlash \
  --speculative-dflash-block-size 8 \
  --speculative-draft-attention-backend fa4 \
  --attention-backend trtllm_mha \
  --linear-attn-prefill-backend triton \
  --linear-attn-decode-backend flashinfer \
  --mamba-scheduler-strategy extra_buffer \
  --tp-size 8 \
  --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 the best concurrency-1 throughput in most workloads.

Benchmark Results

We benchmarked DFlash against the autoregressive baseline and Qwen3.5's built-in MTP draft path. DFlash reaches up to 4.31x speedup at concurrency 1 and 2.77x at concurrency 32. Across the benchmark suite, DFlash delivers higher throughput than MTP at every tested setting.

Setup

  • Runtime: SGLang on 8x NVIDIA B200 GPUs, tensor parallel size 8, bfloat16
  • Backends: trtllm_mha target attention, fa4 DFlash draft attention, flashinfer linear attention
  • 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

For reproduction, the evaluation scripts, Modal runner, runtime patches, and raw benchmark outputs are included under benchmark/.

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
gsm8k204.6 (1.00x)484.5 (2.37x)530.0 (2.59x)536.7 (2.62x)689.0 (3.37x)439.2 (2.15x)711.3 (3.48x)
math500204.4 (1.00x)505.2 (2.47x)551.3 (2.70x)589.4 (2.88x)762.6 (3.73x)499.8 (2.44x)831.9 (4.07x)
humaneval202.9 (1.00x)483.0 (2.38x)543.6 (2.68x)557.9 (2.75x)752.5 (3.71x)480.5 (2.37x)874.6 (4.31x)
mbpp204.6 (1.00x)487.4 (2.38x)550.3 (2.69x)543.7 (2.66x)751.2 (3.67x)445.6 (2.18x)807.8 (3.95x)
mt-bench202.6 (1.00x)442.9 (2.19x)473.6 (2.34x)441.5 (2.18x)545.9 (2.69x)338.0 (1.67x)515.3 (2.54x)

Concurrency 32

WorkloadBaselineMTP steps=3DFlash block=4MTP steps=7DFlash block=8MTP steps=15DFlash block=16
gsm8k2597.7 (1.00x)4462.3 (1.72x)5078.0 (1.95x)4902.9 (1.89x)6158.9 (2.37x)4079.5 (1.57x)5648.8 (2.17x)
math5002615.5 (1.00x)4838.6 (1.85x)5318.6 (2.03x)5601.6 (2.14x)6910.5 (2.64x)4855.0 (1.86x)6857.8 (2.62x)
humaneval2452.7 (1.00x)3838.1 (1.56x)5081.4 (2.07x)4347.4 (1.77x)6666.0 (2.72x)3917.2 (1.60x)6783.7 (2.77x)
mbpp2582.3 (1.00x)4129.8 (1.60x)5265.7 (2.04x)4461.0 (1.73x)6681.4 (2.59x)3783.7 (1.47x)6344.1 (2.46x)
mt-bench2537.3 (1.00x)4024.6 (1.59x)4425.3 (1.74x)3991.7 (1.57x)4763.2 (1.88x)3100.3 (1.22x)4016.0 (1.58x)

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
gsm8k3.5783.5485.6125.7387.0067.696
math5003.6363.6225.8106.0037.2948.212
humaneval3.6433.6975.8936.2927.5419.344
mbpp3.5323.5885.3575.8606.3987.801
mt-bench3.2443.1884.5674.5845.2565.523

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
d4ec1da

0 моделей