/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,1 млрд
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
Qwen2.5-14B-Instruct
Библиотека
vllm
Опубликована
11 янв 2026

Qwen2.5-14B-Instruct_EAGLE3_UltraChat

Генерация текстаТекст → текст3 профессии

Черновая модель EAGLE-3 на базе Qwen2.5-14B-Instruct для ускорения генерации текста методом спекулятивного декодирования в vLLM.

372скачиваний за 30 дней0лайковвеса обновлены21 янв 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

Qwen2.5-14B-Instruct_EAGLE3_UltraChat — черновая модель EAGLE-3, разработанная на базе Qwen2.5-14B-Instruct с использованием SpecForge. Она предназначена для ускорения этапа декодирования больших языковых моделей в алгоритме speculative decoding: модель предлагает черновые токены, которые затем проверяет целевая модель. Это вспомогательный компонент инференса, а не самостоятельная чат-модель.

В карточке указана архитектура LlamaForCausalLMEagle3, формат safetensors и библиотека vLLM. Метаданные сообщают о 1,1 млрд параметров и контексте 32 768 токенов. README приводит пример запуска с vLLM и результаты оценки ускорения для моделей Qwen2.5-7B, 14B и 32B на нескольких наборах задач; фактическое ускорение зависит от целевой модели, входных данных и настроек спекулятивного декодирования. Модель обучалась на UltraChat 200k. Лицензия — Apache-2.0.

Сценарии применения

  • ускорение декодирования Qwen2.5 в vLLM
  • ускорение инференса больших языковых моделей методом speculative decoding
  • настройка EAGLE-3 с черновой цепочкой токенов
  • оценка пропускной способности генерации текста

Ограничения

Модель предназначена для работы как черновая модель EAGLE-3 вместе с целевой языковой моделью и совместимой конфигурацией vLLM; сама по себе не заменяет целевую модель. Указанные в README ускорения получены на конкретном оборудовании и зависят от модели и настроек.

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

Qwen2.5-14B-Instruct_EAGLE3_UltraChat

This repository contains the EAGLE-3 draft model presented in the paper Fail Fast, Win Big: Rethinking the Drafting Strategy in Speculative Decoding via Diffusion LLMs.

Code: GitHub - FailFast

Introduction

Qwen2.5-14B-Instruct_EAGLE3_UltraChat is trained based on the open-source Qwen2.5-14B-Instruct model using the SpecForge framework, and can be used for the Eagle-3 speculative decoding algorithm to speed up the inference of large language models during the decoding stage.

Training Configuration

We adopted the default training hyperparameters in SpecForge and trained EAGLE-3 to match the target model's output until convergence.

This model checkpoint is obtained after five epochs of training ($\sim$260k training steps with bs=4). We find that even though further training improves training-time accuracy, they have a negligible impact on the end-to-end speedup of EAGLE-3.

  • Dataset: Utilized the UltraChat-200K dataset.
  • Training environment: The training was conducted on 4 NVIDIA H100 GPUs with 80 GB VRAM each, leveraging the DeepSpeed framework. Each training epoch took approximately 3.5 hours.

Model Inference Launch Command

vLLM v0.13.0, EAGLE-3 (single chain of draft tokens)

vllm serve Qwen/Qwen2.5-14B-Instruct \
  --dtype auto -tp 2 --max_model_len 2048 \
  --gpu-memory-utilization 0.8 --port 30000 \
  --speculative_config '{"model": "ruipeterpan/Qwen2.5-14B-Instruct_EAGLE3_UltraChat", "draft_tensor_parallel_size": 1, "num_speculative_tokens": 5, "method": "eagle3"}'

vLLM v0.13.0, vanilla decoding

vllm serve Qwen/Qwen2.5-14B-Instruct \
  --dtype auto -tp 2 --max_model_len 2048 \
  --gpu-memory-utilization 0.8 --port 30000

SGLang v0.5.6.post2, EAGLE-3 (tree of draft tokens)

python -m sglang.launch_server --model Qwen/Qwen2.5-14B-Instruct \
  --tp 2 --speculative-algorithm EAGLE3 \
  --speculative-draft-model-path ruipeterpan/Qwen2.5-14B-Instruct_EAGLE3_UltraChat \
  --speculative-num-steps 8 \
  --speculative-eagle-topk 10 \
  --speculative-num-draft-tokens 60 \
  --mem-fraction 0.8 \
  --cuda-graph-max-bs 2 --log-level warning --port 30000

SGLang v0.5.6.post2, vanilla decoding

python -m sglang.launch_server --model Qwen/Qwen2.5-14B-Instruct \
  --tp 2 --mem-fraction 0.8 --cuda-graph-max-bs 2 --log-level warning --port 30000

vLLM Performance Evaluation

We run our evaluations on two NVIDIA A6000-48GB GPUs connected via PCIe 4.0 x16. We conducted an extensive hyperparameter search of num_speculative_tokens from 3 to 20. In each entry, we report the best speedup across different speculation lengths. The following table reports the TPT speedup over vanilla decoding.

Target ModelMATHAIMEGSM8KGPQAHumanEvalAverage
Qwen2.5-32B-Instruct2.51x2.45x2.27x2.03x2.68x2.39x
Qwen2.5-14B-Instruct2.33x2.23x2.19x1.98x2.61x2.27x
Qwen2.5-7B-Instruct2.19x2.05x2.02x1.78x2.25x2.06x

Relevant Links

Как запустить

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

GPU в ailist

Универсальный рантайм · vllm

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLMEagle3
Ревизия весов
93c21df

0 моделей