/ Модель

Характеристики

Базовая модель
Kimi-K2.6
Библиотека
speculators
Опубликована
7 июл 2026

kimi-k2.6-dspark

Генерация текстаТекст → текст3 профессии

Черновая модель DSpark для speculative decoding, ускоряющая генерацию ответов базовой моделью Kimi-K2.6.

246скачиваний за 30 дней17лайковвеса обновлены10 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

novita/kimi-k2.6-dspark — черновая модель DSpark от Novita для ускорения генерации с базовой моделью Kimi-K2.6 от Moonshot AI. Она используется вместе с целевой моделью в speculative decoding: предлагает блоки токенов, а базовая модель проверяет их. Архитектура включает трёхслойный черновой блок в стиле Qwen3 с GQA и две лёгкие головы DSpark для учёта зависимостей между токенами и оценки вероятности принятия предложений. Размер словаря черновой модели сокращён до 32 000 токенов; в репозитории веса Safetensors в формате bf16 размером 6,3 ГБ.

Модель предназначена для ускорения инференса Kimi-K2.6, в частности обработки математических и программных запросов. В описанной конфигурации vLLM рекомендуется семь спекулятивных токенов; на некоторых тестах README сообщает об ускорении до 2,81 раза. Обученный контекст — 20 000 токенов. Это не самостоятельная чат-модель: для работы нужны базовая Kimi-K2.6 и версия vLLM с поддержкой DSpark. README перечисляет обходные решения для известных проблем в nightly-сборке vLLM. Лицензия в предоставленных данных не указана.

Сценарии применения

  • Ускорение генерации математических ответов на Kimi-K2.6
  • Ускорение генерации и дополнения программного кода
  • Ускорение инференса Kimi-K2.6 в vLLM с speculative decoding

Ограничения

Модель требует базовую Kimi-K2.6 и nightly-версию vLLM с поддержкой DSpark; README описывает проблемы с планированием внимания и захватом CUDA-графа, для которых нужны обходные решения. Лицензия в предоставленных данных не указана.

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-K2.6 DSpark speculator

Overview

A DSpark speculator model for the Kimi-K2.6 base model, enabling faster inference through speculative decoding. DSpark extends the DFlash parallel draft backbone with two lightweight heads: a Markov logit-bias head (low-rank intra-block token dependency) and a per-position confidence head (accept-rate prediction). Trained with a vendored fork of the speculators library through the Camelot-Ray online pipeline (draft consumes hidden states streamed from a live Kimi-K2.6 vLLM server).

Model Specifications

  • Base Model: Kimi-K2.6
  • Format: Safetensors (single-file bf16, 6.3 GB, 44 tensors)
  • Draft: 3 layers (Qwen3-style GQA), hidden 7168, 56 heads / 8 KV heads, head_dim 128, FFN 18432, rope_theta 50000, block_size=8
  • Vocabulary: pruned draft vocab 32,000 (d2t/t2d remap tables shipped in the weights), target vocab 163,840; mappings built from training-distribution assistant-turn token frequencies
  • DSpark heads: Markov rank 256 (vanilla), confidence head (with-markov), mask_token_id=163608
  • Aux hidden-state layers: [1, 29, 57]
  • Trained context: seq 20000

Evaluation Results

Online vLLM nightly spec-decode, greedy decoding, TP=8, Kimi-K2.6 verifier, max_model_len=20000, cudagraphs enabled, and fuse_allreduce_rms=false.

The table also includes the public Eagle3-MLA draft lightseekorg/kimi-k2.6-eagle3-mla. Cells show tok/s / speedup / accept_len. Standard rows use 6 prompts per benchmark. Code-extra rows use the full LiveCodeBench and SPEED-Bench coding manifests with max_tokens=512.

benchmarkrowsbaseline tok/sDSpark n=3DSpark n=7LightSeek Eagle3 n=3LightSeek Eagle3 n=7best
gsm8k6131.3269.1 / 2.05x / 2.805363.5 / 2.76x / 4.461213.6 / 1.92x / 2.621220.1 / 1.97x / 3.245DSpark n=7
math5006132.0310.2 / 2.35x / 3.151366.0 / 2.77x / 4.249233.1 / 2.07x / 2.859234.7 / 2.09x / 3.454DSpark n=7
aime6131.5310.6 / 2.36x / 3.130369.7 / 2.81x / 4.346243.5 / 2.17x / 3.000238.4 / 2.12x / 3.554DSpark n=7
humaneval6132.1289.2 / 2.19x / 2.907356.9 / 2.70x / 4.202237.4 / 2.10x / 2.927264.4 / 2.34x / 3.979DSpark n=7
livecodebench121130.8243.6 / 1.86x / 2.465244.1 / 1.87x / 2.839217.9 / 1.67x / 2.308193.2 / 1.48x / 2.507DSpark n=7
speedbench_coding80132.1289.0 / 2.19x / 2.899318.5 / 2.41x / 3.702280.2 / 2.12x / 2.957275.2 / 2.08x / 3.561DSpark n=7

Use DSpark with num_speculative_tokens=7 as the default for math/code traffic.

Serving with vLLM

Requires vLLM nightly (DSpark support):

uv pip install vllm --extra-index-url https://wheels.vllm.ai/nightly

vllm serve <path-or-id-of-Kimi-K2.6> \
    --tensor-parallel-size 8 \
    --max-model-len 20000 \
    --trust-remote-code \
    --speculative-config '{
        "model": "novita/kimi-k2.6-dspark",
        "num_speculative_tokens": 7,
        "method": "dspark"
    }'

Known vLLM-nightly (0.23.1rc1.dev786) caveats, with workarounds:

  1. Draft-side FA3 AOT scheduling crashes with scheduler_metadata must have shape (metadata_size) — the GPU-worker spec-decode path misses fast_build=True when building draft attention metadata. Patch vllm/v1/worker/gpu/spec_decode/speculator.py / vllm/v1/worker/gpu/attn_utils.py to pass fast_build=True (mirrors build_for_drafting() on the legacy proposer path).
  2. CUDA-graph capture fails with a flashinfer allreduce workspace-size error under spec-decode token expansion; disable the fusion: --compilation-config='{"pass_config": {"fuse_allreduce_rms": false}}'.

Training Details

  • Data: Regenerated open-perfectblend dataset — the open-perfectblend instruction mix with all assistant turns regenerated by Kimi-K2.6 itself (raw hidden states streamed from the live verifier); seq 20000
  • Steps: 20000 (16.0h, zero restarts); loss 1.656 → 0.363 (1000-step window)
  • Schedule: lr 3e-4 cosine, warmup 300, global batch 8, accumulation 2
  • Loss: 0.1·CE + 0.9·TV over block-diffusion anchors, decay_gamma 4.0, max_anchors 3072
  • Semantics: post-norm last hidden captured at rollout (apply_verifier_norm=False), hidden_states = concat of aux layers [1, 29, 57]

Как запустить

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

GPU в ailist

Универсальный рантайм · speculators

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
DSparkDraftModel
Ревизия весов
b1a4827

0 моделей