/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,9 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3.8-27B-DFlash2
Библиотека
transformers
Опубликована
5 сен 2026

Qwen3.8-27B-DFlash2-FP8

Генерация текстаТекст → текст3 профессии

thomasgardiner/Qwen3.8-27B-DFlash2-FP8 — FP8-квантизированная draft-модель для ускорения спекулятивного декодирования основной модели Qwen3.8-27B.

1 099скачиваний за 30 дней2лайкавеса обновлены7 сен 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

Она основана на incoai/Qwen3.8-27B-DFlash2, разработанной inco.ai и z-lab, и предназначена для работы с SGLang в связке с целевой моделью Qwen3.8-27B в любой точности. Модель генерирует черновые токены, которые затем проверяются целевой моделью, поэтому самостоятельно как обычная чат-модель не используется.

Модель содержит 5 слоёв и занимает около 2,41 ГБ. Слои MLP и проекции выхода self-attention представлены в формате float8_e4m3fn с симметричным статическим масштабированием весов и динамическим масштабированием активаций; остальные ключевые компоненты, включая q_proj, k_proj, v_proj, нормы и селектор кандидатов, сохранены в BF16. Архитектура сохраняет возможность fused DFlash KV materialization в SGLang. README не указывает языки и точный размер контекста. Модель рассчитана на текстовую генерацию и сценарии с включённым speculative decoding.

По заявленным измерениям на одной RTX 5090 при последовательной обработке запросов FP8-вариант повышает скорость декодирования примерно на 4–6% на наборах MT-Bench, HumanEval, GSM8K и MATH-500 по сравнению с BF16-версией draft-модели, хотя эффект зависит от промпта и задачи; для отдельных случаев зафиксированы как прирост, так и небольшое снижение длины принятой последовательности. Результаты не проверялись для параллелизма выше одного запроса и движков, отличных от SGLang. Для работы требуется совместимая конфигурация SGLang и целевая модель Qwen3.8-27B. Модель распространяется по лицензии Apache-2.0.

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

Qwen3.8-27B-DFlash2-FP8

+4 to +6% decode throughput on an RTX 5090 over the bf16 draft, on named datasets, at the same acceptance length. That is this draft versus incoai/Qwen3.8-27B-DFlash2, both against the RadixArk NVFP4 target. On the all-NVFP4 target the increment is prompt-dependent (see Throughput).

incoai/Qwen3.8-27B-DFlash2 with FP8 MLP and o_proj. Draft for Qwen3.8-27B. Runs in SGLang.

Checkpoint

  • Base: incoai/Qwen3.8-27B-DFlash2, 5 layers, block size 8, bf16, 3.85 GB
  • This checkpoint: 2.41 GB. 20 tensors in float8_e4m3fn: layers.*.mlp.gate_proj, up_proj, down_proj (15) and layers.*.self_attn.o_proj (5). Weights use a symmetric static per-tensor scale; activations a symmetric dynamic per-tensor scale. Format: compressed-tensors float-quantized. No calibration data.
  • Unchanged (bf16): q_proj, k_proj, v_proj, fc, candidate_selector.*, convolutions, norms. The three attention input projections stay bf16 so SGLang's fused DFlash KV materialization remains enabled.
  • Target: Qwen3.8-27B in any precision. Measured against RadixArk/Qwen3.8-27B-NVFP4.

Acceptance length

Greedy, thinking enabled, max_tokens 1024, one request at a time. Acceptance is the token-weighted mean of SGLang's per-batch accept len; prompts under about 130 generated tokens produce no sample and are excluded.

WorkloadPromptsbf16 draftFP8 draftChange
MT-Bench, first turn803.803.83+0.8%
HumanEval1644.644.58−1.3%
GSM8K, test1005.075.02−1.0%
MATH-5001005.145.08−1.2%

Greedy: a draft token is kept only on a target argmax match. Target tokens are unchanged.

Throughput

One RTX 5090, SGLang lmsysorg/sglang@sha256:616a3e97… with the b12x NVFP4 backend patch, target RadixArk/Qwen3.8-27B-NVFP4, 8 draft tokens.

Concurrency 1

Workloadbf16 draftFP8 draftChange
MT-Bench, first turn190.5 tok/s201.5 tok/s+5.8%
HumanEval239.2 tok/s248.8 tok/s+4.0%
GSM8K264.0 tok/s277.0 tok/s+4.9%
MATH-500261.6 tok/s272.4 tok/s+4.1%

Decode step measured directly (streamed chunks as verify steps, greedy, thinking off): 18.8 → 18.0 ms on the RadixArk target, 16.4 → 15.6 ms on the all-NVFP4 target. Tokens per step moves with the draft's numerics. On three fixed prompts against RadixArk the tok/s change was +0.4% (prose), +12% (code), −1.5% (math). Against the all-NVFP4 target, interleaved n=6 at 8 draft tokens: 156.6 → 168.1 prose (+7.4%), 346.4 → 356.4 code (+2.9%), 353.2 → 396.6 math (+12.3%).

On the all-NVFP4 target, raising --speculative-num-draft-tokens to 12 with this FP8 draft (n=2): prose 157 tok/s, code 396 tok/s, math 439 tok/s. Prose does not gain. 16 tokens is not better on code. DSpark on the same target is slower. The lead +4 to +6% is the named-dataset range on RadixArk, not a bound on every prompt.

Not measured: concurrency above 1, engines other than SGLang.

Serving with SGLang

python3 -m sglang.launch_server \
  --model-path RadixArk/Qwen3.8-27B-NVFP4 \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path thomasgardiner/Qwen3.8-27B-DFlash2-FP8 \
  --speculative-num-draft-tokens 8 \
  --attention-backend flashinfer \
  --trust-remote-code \
  --max-running-requests 1 \
  --cuda-graph-max-bs-decode 1 \
  --mem-fraction-static 0.91

SGLang reads the quantization config from the checkpoint. Do not pass --speculative-draft-model-quantization. The server log reports DFLASH fused KV materialization enabled when the fused path is active.

Creation

python3 quantize.py <incoai/Qwen3.8-27B-DFlash2 dir> <output dir> tensor

quantize.py in this repository.

Artifact identity

FileSizesha256 (first 16)
model.safetensors2.41 GB1f3636a32d866f8e

Apache-2.0. DFlash 2 and the base draft are by inco.ai and z-lab.

Как запустить

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

GPU в ailist

vLLM

Можно запустить

Подбираем GPU…

Класс архитектуры
DFlash2DraftModel
Ревизия весов
ed73320

0 моделей