/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3.5-9B-DFlash
Библиотека
llama.cpp
Опубликована
1 июл 2026

Qwen3.5-9B-DFlash-GGUF

Генерация текстаТекст → текст3 профессии

Qwen3.5-9B-DFlash-GGUF — это квантизированная GGUF-версия черновой модели z-lab/Qwen3.5-9B-DFlash, основанной на Qwen3.5-9B.

514скачиваний за 30 дней0лайковвеса обновлены1 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

Репозиторий подготовлен onion515; исходную архитектуру DFlash разработала команда z-lab, а базовую модель — команда Qwen. Модель предназначена не для самостоятельной генерации текста, а для ускорения инференса методом Speculative Decoding: она быстро предлагает последовательность токенов, после чего целевая, более крупная модель проверяет эти предложения. Для работы требуется совместимая целевая модель, например Qwen3.5-9B, и свежая версия llama.cpp с нативной поддержкой DFlash, протестированная начиная с b9831.

Модель использует плотную архитектуру, при которой во время инференса активны все параметры, и представлена в вариантах BF16, Q8_0, Q6_K, Q5_K_M и Q4_K_M размером примерно от 0,7 до 2,4 ГБ. Рекомендуемым считается Q5_K_M как компромисс между качеством и скоростью; Q4_K_M требует меньше памяти, а BF16 и Q8_0 сохраняют более высокую точность. Ключевое преимущество — потенциальное увеличение пропускной способности генерации без предполагаемого снижения качества целевой модели. Ограничение состоит в узком назначении: модель необходимо использовать в связке с совместимым target model и llama.cpp, она не предназначена для обычного автономного текстового инференса. Лицензия репозитория — Apache 2.0; для исходной модели и связанных компонентов следует учитывать условия лицензирования upstream-проектов.

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

Qwen3.5-9B-DFlash — GGUF Quantized Draft Model

DFlash Speculative Decoding optimized for Speculative Decoding acceleration with target models.

This repository contains the GGUF quantized versions of z-lab/Qwen3.5-9B-DFlash, a Dense architecture draft model designed exclusively for Speculative Decoding inference acceleration.

The DFlash model serves as a lightweight draft predictor that rapidly generates candidate tokens, which are then verified by a larger target model (e.g., Qwen3.5-9B). This two-stage approach dramatically improves token generation throughput without sacrificing output quality.


Compatibility

Requires a recent version of llama.cpp with native DFlash support.

Tested with:

  • llama.cpp b9831 or newer

Model Summary

PropertyValue
Base Modelz-lab/Qwen3.5-9B-DFlash
ArchitectureDense (all parameters active at inference)
PurposeSpeculative Decoding — draft/verify pipeline
FormatGGUF
LicenseApache 2.0
llama.cpp Requirementb9831+ (native DFlash support)

Quantization Summary

QuantFileSizeVRAM (~)Rating
BF16qwen3.5-9b-dflash-bf16.gguf2.4 GB~2.5 GB★★
Q8_0qwen3.5-9b-dflash-Q8_0.gguf1.3 GB~1.4 GB★★★
Q6_Kqwen3.5-9b-dflash-Q6_K.gguf1.0 GB~1.1 GB★★★★
Q5_K_Mqwen3.5-9b-dflash-q5_k_m.gguf0.9 GB~1.0 GB★★★★★
Q4_K_Mqwen3.5-9b-dflash-Q4_K_M.gguf0.7 GB~0.8 GB★★★

Quick Reference

  • 🏆 Recommended (Sweet Spot): Q5_K_M — Best balance of accuracy and speed for 16GB VRAM setups
  • 💾 Smallest: Q4_K_M — Fits comfortably on any GPU; marginal quality loss
  • 🔬 Highest Fidelity: BF16 / Q8_0 — Near-original precision; useful for benchmarking

Quantization Workflow

All quantizations are performed using llama.cpp’s ./llama-quantize tool. The workflow starts from the BF16 master copy and produces four quantized variants:

Step 1: BF16 Master (Reference)

# Ensure you have a clean BF16 source file
cp qwen3.5-9b-dflash-bf16.gguf ./source-bf16.gguf

Step 2: Generate Quantized Versions

./llama-quantize ./source-bf16.gguf \
  ./output/qwen3.5-9b-dflash-Q4_K_M.gguf Q4_K_M

./llama-quantize ./source-bf16.gguf \
  ./output/qwen3.5-9b-dflash-q5_k_m.gguf Q5_K_M

./llama-quantize ./source-bf16.gguf \
  ./output/qwen3.5-9b-dflash-Q6_K.gguf Q6_K

./llama-quantize ./source-bf16.gguf \
  ./output/qwen3.5-9b-dflash-Q8_0.gguf Q8_0

Platform Notes

OSCommand Separator
Windows (PowerShell); or backtick ` for line continuation
macOS / Linux (Bash)&& or \ for chaining

★ On Windows PowerShell, use semicolons (;) or the backtick escape character to chain commands. On macOS/Linux, use && or backslash-newline.


How to Use

Speculative Decoding with llama-server

llama-server \
  --model Qwen3.5-9B.gguf \
  --spec-draft-model qwen3.5-9b-dflash-q5_k_m.gguf \
  --spec-type draft-dflash \
  --spec-draft-n-max 3 \
  --host 127.0.0.1 \
  --port 8080

Via llama-cli (Interactive)

./llama-cli \
  -m Qwen3.5-9B.gguf \
  --spec-draft-model qwen3.5-9b-dflash-q5_k_m.gguf \
  --spec-type draft-dflash \
  --spec-draft-n-max 3 \
  -p "Write a concise summary of..." \
  -n 512

VRAM Optimization Tips

GPU VRAMRecommended QuantMax Target Model Quant
8 GBQ4_K_M (0.7 GB)Q3_K_M (~4 GB)
12 GBQ5_K_M (0.9 GB)Q4_K_M (~6 GB)
16 GBQ5_K_M (0.9 GB)Q5_K_M (~8 GB)
24 GBQ6_K (1.0 GB)Q6_K (~18 GB)

Acknowledgments

  • z-lab — Original DFlash model architecture and implementation
  • Qwen Team — Qwen3.5-9B base model
  • llama.cpp / ggml-org — GGUF format, DFlash inference engine, and quantization toolchain

License

This repository contains converted GGUF quantizations of the original DFlash draft model. All original licenses, usage restrictions, and intellectual property remain with the upstream authors. Refer to the original HuggingFace model card for complete licensing information.


Quantized for speculative decoding acceleration. Always pair with a compatible target model.

Как запустить

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

GPU в ailist

llama.cpp

Нельзя запустить

GGUF-модель ждёт проверки: нужно выбрать файл кванта под доступные GPU.

Ревизия весов
b3db2fb

0 моделей