/ Модель

Характеристики

Контекст
262 144 токена
Параметры
1,8 млрд
Лицензия
MIT
Архитектура
kimi_k2 · dense
Базовая модель
Kimi-K2.7-Code
Опубликована
26 июн 2026

kimi-k2.7-code-eagle3-mla

Генерация текстаТекст → текст3 профессии

Черновая модель EAGLE-3 с MLA ускоряет генерацию Kimi-K2.7-Code через speculative decoding в vLLM.

2 301скачиваний за 30 дней3лайкавеса обновлены30 июн 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-k2.7-code-eagle3-mla — компактная черновая модель EAGLE-3 с Multi-Latent Attention (MLA), разработанная для ускорения инференса Kimi-K2.7-Code методом speculative decoding в vLLM. Она предлагает несколько возможных токенов за шаг, а основная модель проверяет их параллельно; при этом распределение выходных токенов сохраняется таким же, как при обычной авторегрессионной генерации. Чекпойнт содержит около 1,8 млрд параметров и рассчитан на контекст до 262 144 токенов.

Архитектура включает один черновой слой декодера MLA и слой слияния вспомогательных скрытых состояний. Модель разделяет с основной моделью эмбеддинги, нормализацию и выходную голову, поэтому для инференса ей требуется Kimi-K2.7-Code; входные эмбеддинги загружаются из неё отдельно. MLA снижает нагрузку на KV-кэш, а модель предназначена для ускорения генерации в задачах диалога, программирования и математики. В README приведены результаты бенчмарков по средней длине принятой последовательности токенов.

Для запуска требуются GPU NVIDIA с CUDA 12.0 или новее и vLLM версии 0.20.0 или новее. README сообщает, что поддержка этой MLA-версии черновой модели в SGLang пока отсутствует. Лицензия — MIT.

Сценарии применения

  • ускорение генерации ответов Kimi-K2.7-Code в vLLM
  • ускорение многошаговой генерации кода
  • снижение нагрузки на KV-кэш при обслуживании Kimi-K2.7-Code
  • ускорение генерации в диалоговых и математических задачах

Ограничения

Модель предназначена для совместного использования с Kimi-K2.7-Code и требует vLLM 0.20.0 или новее, а также NVIDIA GPU с CUDA 12.0+. Поддержка MLA-черновой модели в SGLang пока отсутствует.

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-k2.7-code-eagle3-mla

Model Overview

kimi-k2.7-code-eagle3-mla is an Eagle3 MTP draft model with MLA (Multi-Latent Attention) for accelerating inference of Kimi-K2.7-Code under vLLM speculative decoding. The draft proposes num_speculative_tokens candidate tokens per step; the Kimi-K2.7-Code verifier accepts them in parallel, so the output distribution is identical to plain autoregressive decoding while decode throughput improves.

Why an MLA (Multi-Latent Attention) Draft Model

Compared with an MHA draft model, the MLA variant is a better fit for Kimi-K2.7-Code deployment:

  • Uses less KV cache, which reduces serving memory pressure.
  • Matches Kimi-K2.7-Code's MLA architecture, so it fits more naturally into the inference engine's KV-cache handling under different serving scenarios such as PD-Disaggregation.

Architecture

  • Algorithm: EAGLE-3 with MLA, single draft decoder layer.
  • Verifier: Kimi-K2.7-Code. The draft reuses the verifier's frozen embedding / lm_head / norm and trains one MLA decoder layer plus an auxiliary-hidden-state fusion layer.
  • Shared input embedding: the input embedding is not shipped in this checkpoint — it is loaded from the verifier at inference (vLLM's Eagle3DeepseekV2ForCausalLM shares the target's embed_tokens when the draft weights omit it). This keeps the checkpoint compact (~3.7 GB).
  • Draft vocabulary: full 163,840-token vocabulary (no truncation).

Training Setup

  • Framework: Camelot, an online speculative-decoding training framework — FSDP training and vLLM inference run concurrently, with the verifier continuously generating fresh training data.
  • Training data: Kimi-K2.7-Code native data (agentic / coding / tool trajectories and re-answered prompts).
  • Schedule: cosine LR 2e-5, sequence length 8192, ttt_steps=4.

Performance

The primary metric is accept_length — the average number of tokens accepted per speculation step with num_speculative_tokens=3. Higher is better.

Benchmarks were run on vLLM 0.20.0 (TP=8, greedy decoding, concurrency=1) against the Kimi-K2.7-Code verifier.

CategoryBenchmarkNAccept Length
DialogueMTBench802.427
ChineseCEval2122.348
MathGSM8K5003.201
CodeHumanEval1642.738
MathMATH5005002.918
MathAIME302.542
CodeLiveCodeBench2002.362
CodeSPEED-Bench (coding)802.515

Quick Start

Requirements

  • NVIDIA GPU with CUDA 12.0+
  • vLLM >= 0.20.0

Launch Server (vLLM)

vllm serve moonshotai/Kimi-K2.7-Code \
    --tensor-parallel-size 8 \
    --speculative-config '{"model": "novita/kimi-k2.7-code-eagle3-mla", "method": "eagle3", "num_speculative_tokens": 3}' \
    --trust-remote-code

Launch Server (SGLang)

MLA Eagle3 draft model is not yet supported in SGLang. Will update once support is available.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура kimi_k2 неизвестна transformers в образе рантайма.

Класс архитектуры
Eagle3DeepseekV2ForCausalLM
Ревизия весов
043833a

0 моделей