/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3.5-4B
Библиотека
speculators
Опубликована
2 сен 2026

qwen3_5_4b_perfectblend_regen_dspark

Генерация текстаТекст → текст3 профессии

Пятислойная черновая модель DSpark для ускорения генерации Qwen3.5-4B посредством спекулятивного декодирования в vLLM.

156скачиваний за 30 дней0лайковвеса обновлены2 сен 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

Qwen3.5-4B PerfectBlend DSpark — пятислойная черновая модель спекулятивного декодирования, дообученная shanjiaz для Qwen/Qwen3.5-4B. Она предлагает до восьми токенов за шаг, используя скрытые состояния слоёв 19, 23, 27, 29 и 31 основной модели; целевая модель проверяет эти предложения, поэтому черновая модель ускоряет генерацию, сохраняя распределение выходов основной модели.

Модель предназначена для использования с vLLM, поддерживающим DSpark. В тестах на девяти наборах, включая HumanEval, математические рассуждения и вопросы-ответы, средняя доля принятых черновых токенов составила 39,26% при температуре 0. Обучение проходило на 10 000 примерах Qwen/Qwen3.5-4B, сгенерированных при температуре 0; при вероятностной генерации принятие заметно ниже, поэтому параметры семплирования следует проверять на целевой нагрузке.

Это вспомогательная модель для ускорения текстовой генерации, а не самостоятельная замена базовой Qwen3.5-4B. Репозиторий содержит веса safetensors, библиотека — speculators. Лицензия Apache-2.0.

Сценарии применения

  • ускорение генерации текста моделью Qwen3.5-4B в vLLM
  • ускорение решения задач по математике при температуре 0
  • ускорение ответов на вопросы с помощью спекулятивного декодирования
  • ускорение генерации кода с Qwen3.5-4B

Ограничения

Модель требует сборку vLLM с поддержкой DSpark и предназначена для работы вместе с Qwen/Qwen3.5-4B. Она обучена на траекториях с температурой 0, а при температуре 1 доля принятых черновых токенов снизилась до 22,05%.

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

Qwen3.5-4B PerfectBlend DSpark

This is a five-layer DSpark speculative decoding draft model for Qwen/Qwen3.5-4B. It is the best checkpoint from the original five-epoch training run (epoch 5, zero-based checkpoint directory 4).

The model proposes eight speculative tokens per verification step and consumes five verifier hidden states from layers 19, 23, 27, 29, and 31.

Architecture

SettingValue
DSpark transformer layers5
Verifier hidden-state layers19, 23, 27, 29, 31
Speculative tokens8
Hidden size2,560
Intermediate size9,216
Attention heads / KV heads16 / 4
Markov headVanilla, rank 256
Confidence headEnabled, with Markov input
Training dtypebfloat16
Loss0.1 CE + 0.9 TV, confidence alpha 1.0

Autoregressive acceptance results

The primary evaluation used real autoregressive vLLM decoding. Accepted tokens were fed back into the subsequent decoding context; these are not teacher-forced measurements.

Evaluation configuration:

  • Dataset: RedHatAI/speculator_benchmarks
  • 9 standard subsets, 80 requests per subset (720 total)
  • Temperature: 0.0
  • Maximum concurrency: 8
  • Maximum completion length: 4,096
  • Maximum model context: 32,768
  • Speculative tokens: 8
  • Serving vLLM: 0.28.1rc1.dev267+g46c8a161f

Acceptance length is 1 + accepted_draft_tokens / draft_steps.

SubsetAcceptance length
HumanEval4.9126
Math reasoning5.4006
QA5.7102
Question4.0906
RAG4.4461
Summarization3.7130
Tool call4.3839
Translation2.8460
Writing3.9882
Macro mean4.3879
Draft-step weighted4.1407

Aggregate positional acceptance

The following rates are weighted by the number of draft steps in each subset.

Draft positionAcceptance rate
077.87%
159.10%
245.73%
336.57%
430.23%
525.29%
621.30%
717.99%

Across all proposed draft tokens, 39.26% were accepted.

Probabilistic-sampling stress test

The same checkpoint was also evaluated with the request temperature omitted, which makes vLLM use temperature 1.0, top-p 1.0, and top-k 0.

SettingMacro acceptance lengthDraft-step weightedAccepted draft tokens
Temperature 0.04.38794.140739.26%
Temperature 1.02.88532.764022.05%

This model was trained entirely on temperature-0 trajectories, so the greedy result is the matched evaluation. Users whose deployment relies on probabilistic sampling should benchmark the exact production temperature, top-p, and top-k.

Training data

The processed training dataset contains 10,000 examples from shanjiaz/qwen3_5_4b_perfectblend_regen. All trajectories were generated at temperature 0.0. Reasoning effort was approximately balanced:

Reasoning effortExamples
Low3,310
High3,355
Max3,335

Of the 10,000 source responses, 7,142 ended with finish_reason=stop and 2,858 ended at the generation-length limit.

Training validation

The saved epoch-5 validation metrics were:

MetricValue
Validation loss0.3213
Analytical acceptance rate0.7488
Analytical acceptance length5.4793
Greedy token accuracy0.7653

The validation acceptance length is an in-domain, teacher-forced analytical estimate based on target/draft distribution overlap. It should not be compared directly with live autoregressive acceptance length.

Three additional low-learning-rate epochs were tested separately. That continuation lost to this checkpoint on seven of the nine matched autoregressive workloads, so this epoch-5 checkpoint is the recommended version.

Serving with vLLM

This model requires a vLLM build with DSpark support. The evaluation used:

vLLM 0.28.1rc1.dev267+g46c8a161f

Example command:

CUDA_VISIBLE_DEVICES=0 \
python -m vllm.entrypoints.cli.main serve Qwen/Qwen3.5-4B \
  --host 0.0.0.0 \
  --port 8000 \
  --max-model-len 32768 \
  --gpu-memory-utilization 0.90 \
  --speculative-config '{"method":"dspark","model":"shanjiaz/qwen3_5_4b_perfectblend_regen_dspark","num_speculative_tokens":8}'

For the matched greedy configuration, send "temperature": 0 in generation requests. Speculative decoding preserves the target model's output distribution; the draft model changes performance, not target-model semantics.

Reproducibility

  • Training speculators commit: ddf9d6012b169849ea1dc53faffa41968b4e8f85
  • Evaluation speculators commit: c59c5fbdf0a50a778188be43dcda54b40fff7ca2
  • Training seed: 42
  • Training epochs: 5
  • Learning rate: 3e-4
  • Packed sequence length: 8,192

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
3842177

0 моделей