/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
323 млн
Лицензия
Своя лицензия
Архитектура
llama · dense
Базовая модель
Huihui-LFM2.5-8B-A1B-abliterated-NVFP4
Библиотека
vllm
Опубликована
3 июн 2026

Huihui-LFM2.5-8B-A1B-abliterated-MTP-NVFP4

Генерация текстаТекст → текст

Вспомогательная EAGLE-3 модель Lna-Lab предлагает токены для ускорения генерации целевой модели Huihui-LFM2.5-8B-A1B-abliterated-NVFP4 в vLLM.

109скачиваний за 30 дней4лайкавеса обновлены3 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

Это вспомогательная модель EAGLE-3 / MTP, разработанная Lna-Lab для ускорения авторегрессионной генерации моделью sakamakismile/Huihui-LFM2.5-8B-A1B-abliterated-NVFP4 в vLLM. Она предлагает следующий токен, который затем проверяет целевая модель; при жадном декодировании результат сохраняет качество целевой модели. Самостоятельно модель не работает: её нужно подключать как draft-модель в speculative_config вместе с указанной NVFP4-моделью. По README, черновик состоит из одного декодерного слоя Llama-типа, имеет около 0,4 млрд параметров, а метаданные указывают 323 млн параметров; словарь черновика сокращён до 32 000 токенов. Замеры авторов показывают ускорение примерно в 1,19 раза при TP=1 и 1,13 раза при TP=4 для описанной конфигурации.

Модель предназначена для спекулятивного декодирования текста, а не для самостоятельного общения или генерации. README указывает обучение на скрытых состояниях целевой модели и поддержку только одного спекулятивного токена за шаг (k=1); при k≥2 авторы отмечают расхождение из-за ошибки short_conv. Для работы нужна версия vLLM с поддержкой speculative decoding для архитектуры lfm2_moe и патчами, перечисленными в карточке; без них принятие черновых токенов может быть близко к нулю. Лицензия указана как other; README сообщает, что черновик наследует лицензию и uncensored-поведение базовой модели, но точные условия лицензии здесь не раскрыты.

Сценарии применения

  • ускорение жадной генерации текста в vLLM
  • спекулятивное декодирование с целевой моделью Huihui-LFM2.5-8B-A1B-abliterated-NVFP4
  • снижение задержки генерации на одной GPU
  • ускорение генерации при tensor parallel на нескольких GPU

Ограничения

Модель не работает самостоятельно и требует целевую NVFP4-модель и сборку vLLM с необходимыми исправлениями для lfm2_moe. Поддерживается только k=1; при k≥2 README сообщает о расхождении из-за ошибки short_conv.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Huihui-LFM2.5-8B-A1B-abliterated-MTP-NVFP4

An EAGLE-3 / MTP draft head for speculative decoding of sakamakismile/Huihui-LFM2.5-8B-A1B-abliterated-NVFP4 in vLLM. It is a tiny (≈0.4 B) single-layer drafter that proposes tokens the NVFP4 target then verifies, so single-stream decode runs faster with identical-quality (greedy-lossless) output.

This is a companion model — it does nothing on its own; load it as the speculative_config draft for the NVFP4 target above.

Measured speedup (greedy, compiled vLLM, 256-tok decode)

configbase t/swith this MTP draftspeedupdraft acceptance
TP=1 (1× RTX PRO 2000)129.8154.21.19×59.8 %
TP=4 (4× RTX PRO 2000)301.9339.81.13×59.8 %

Mean accepted length ≈ 1.60 tok/step at num_speculative_tokens=1. Acceptance is a property of the draft (TP-independent). Speedup is larger at lower TP (the target is slower there, so the draft saves relatively more).

Usage (vLLM)

from vllm import LLM, SamplingParams

llm = LLM(
    model="sakamakismile/Huihui-LFM2.5-8B-A1B-abliterated-NVFP4",
    quantization="modelopt",
    speculative_config={
        "method": "eagle3",
        "model": "sakamakismile/Huihui-LFM2.5-8B-A1B-abliterated-MTP-NVFP4",
        "num_speculative_tokens": 1,
    },
    max_model_len=8192,
)
# This is a reasoning/chat model — ALWAYS chat-template prompts.
sp = SamplingParams(temperature=0.0, max_tokens=256)
print(llm.chat([{"role": "user", "content": "Explain speculative decoding."}], sp)[0].outputs[0].text)

Server + launch flags (vllm serve)

TP=1 (single GPU):

vllm serve sakamakismile/Huihui-LFM2.5-8B-A1B-abliterated-NVFP4 \
  --quantization modelopt \
  --speculative-config '{"method":"eagle3","model":"sakamakismile/Huihui-LFM2.5-8B-A1B-abliterated-MTP-NVFP4","num_speculative_tokens":1}' \
  --max-model-len 8192 \
  --reasoning-parser deepseek_r1          # optional: the model emits <think>…</think>

TP=4 (4 GPUs, no-NVLink / PCIe box):

NCCL_P2P_DISABLE=1 NCCL_CUMEM_ENABLE=0 \
vllm serve sakamakismile/Huihui-LFM2.5-8B-A1B-abliterated-NVFP4 \
  --quantization modelopt \
  --tensor-parallel-size 4 \
  --disable-custom-all-reduce \
  --speculative-config '{"method":"eagle3","model":"sakamakismile/Huihui-LFM2.5-8B-A1B-abliterated-MTP-NVFP4","num_speculative_tokens":1}' \
  --max-model-len 8192
flagwhy
--quantization modeloptthe target is NVFP4 (ModelOpt FP4)
--speculative-config '{"method":"eagle3","model":"…MTP-NVFP4","num_speculative_tokens":1}'turn on EAGLE-3 spec-decode with this draft (k=1)
--tensor-parallel-size N + --disable-custom-all-reducemulti-GPU
NCCL_P2P_DISABLE=1 NCCL_CUMEM_ENABLE=0 (env)required on no-NVLink/PCIe boxes or NCCL deadlocks at init
--max-model-len 8192context window (raise as needed)
do not pass --enforce-eagerthe compiled path is where spec-decode is actually faster; eager misleads

Offline LLM(...) equivalents: quantization="modelopt", speculative_config={…}, tensor_parallel_size=N, disable_custom_all_reduce=True, enforce_eager=False, max_model_len=8192.

⚠️ Requires a vLLM with lfm2_moe speculative-decode support. Stock vLLM does not yet wire EAGLE-3 / short_conv spec-decode correctly for this hybrid (short-conv + attention + MoE) arch. The fix is upstream PR vllm-project/vllm#44296 (+ a model-side SupportsEagle3 patch). Until merged, apply those patches (4 files). On unpatched vLLM the draft loads but acceptance is ~0 %. For multi-GPU on no-NVLink boxes: NCCL_P2P_DISABLE=1 NCCL_CUMEM_ENABLE=0 + disable_custom_all_reduce.

How it was trained

  • Method: EAGLE-3 — one Llama-style decoder layer (qkv input = 2·H: token-embed ⊕ fused aux hidden), fc: 3·H→H fusing aux from target layers (2, 12, 21), own lm_head, d2t vocab map.
  • Reduced draft vocab = 32 000 (top-frequency, covers 99.8 % of tokens). This is what makes spec-decode actually faster — a full 128 k draft head is as costly as the target's and caps the speedup.
  • Training data: 105 371 sequences of NVFP4-matched hidden states — captured by serving the quantized target itself (not a BF16 proxy), which is what lets serving acceptance track training. Single-step (k=1), 3 epochs, reduced-vocab CE + SmoothL1 hidden-regression.
  • In-sample top-1 ≈ 0.84.

Config (vLLM Eagle3LlamaForCausalLM)

hidden 2048 · 1 layer · 32 heads / 8 KV · head_dim 64 · inter 8192 · draft_vocab 32000 · target_hidden 2048 · rope_theta 5e6 · eagle_config.use_aux_hidden_state: true.

Limitations

  • k=1 only for now. num_speculative_tokens ≥ 2 currently diverges on the short_conv kernel (a separate multi-query conv bug); higher k is the main lever left for bigger speedups (the ~400 t/s TP=4 target needs it).
  • Inherits the base model's abliterated/uncensored behavior and its license.

License

Inherits the base license (LFM Open License v1.0, license_name: lfm1.0) — see the bundled LICENSE. Lineage: LiquidAI/LFM2.5-8B-A1B → huihui-ai/Huihui-LFM2.5-8B-A1B-abliterated → …-NVFP4 (the target) → this MTP / EAGLE-3 draft. The draft only proposes tokens the target verifies — greedy output is unchanged vs the abliterated base.

Credits

  • Base model: Liquid AI — LFM2.5-8B-A1B.
  • Abliteration: huihui.ai — Huihui-LFM2.5-8B-A1B-abliterated.
  • NVFP4 target + EAGLE-3 / MTP draft training & packaging: Lna-Lab.
  • Tooling: vLLM, EAGLE-3, NVIDIA TensorRT Model-Optimizer, FlashInfer.

💖 Support the Base Model Author

This draft stands on huihui.ai's abliteration work. If it's useful to you, please consider supporting them — a cup of coffee goes a long way:


🔬 Lna-Lab · EAGLE-3 / MTP speculative decoding for Blackwell · faster tokens, same output, in 4-bit

Trained & benchmarked on 7× RTX PRO 2000 Blackwell · 2026

Как запустить

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

GPU в ailist

Универсальный рантайм · vllm

Можно запустить

Подбираем GPU…

Класс архитектуры
Eagle3LlamaForCausalLM
Ревизия весов
446c2b0

0 моделей