/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
378 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Библиотека
transformers
Опубликована
16 фев 2026

GLM-4.7-Flash-Eagle3

Генерация текстаТекст → текст3 профессии

Черновая модель EAGLE3 для ускорения генерации текста моделью GLM-4.7-Flash посредством спекулятивного декодирования.

1 609скачиваний за 30 дней3лайкавеса обновлены12 апр 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

thoughtworks/GLM-4.7-Flash-Eagle3 — модель-проектировщик токенов EAGLE3 от Thoughtworks для ускорения инференса zai-org/GLM-4.7-Flash методом спекулятивного декодирования. Это плотная модель с архитектурой LlamaForCausalLMEagle3 и 378 млн параметров; она принимает текстовые префиксы и предлагает черновые токены, которые целевая GLM-4.7-Flash проверяет и принимает или отклоняет. Заявлено ускорение генерации на нескольких тестах, однако результаты зависят от нагрузки и конфигурации сервера.

Модель предназначена для совместного запуска с GLM-4.7-Flash в поддерживающей EAGLE3 системе инференса, в частности SGLang. В README приведены тесты на H200, а также настройки спекулятивного декодирования; результаты получены на форке SGLang и могут отличаться при использовании upstream-версии. Контекст модели — 4096 токенов. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • ускорение генерации ответов GLM-4.7-Flash в SGLang
  • ускорение обработки запросов к языковой модели при одиночной нагрузке
  • ускорение генерации при параллельной обработке запросов

Ограничения

Модель предназначена для использования вместе с целевой GLM-4.7-Flash в совместимой системе спекулятивного декодирования; сама по себе не заменяет базовую модель. Заявленные показатели ускорения получены на одном H200 с форком SGLang и могут отличаться при других конфигурациях.

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

EAGLE3 Draft Model for GLM-4.7-Flash

An EAGLE3 draft model that accelerates inference for zai-org/GLM-4.7-Flash (30B MoE, ~3B active) through speculative decoding.

1.66x mean speedup at B=1 across 4 benchmarks on a single H200.


Results

Verified 2026-04-12 on 1x NVIDIA H200 144GB, TP=1, FlashInfer, temp=0, max_tokens=512.

B=1 (single request)

DatasetBaseline tok/sEagle3 tok/sSpeedupAccept RateAccept Length
HumanEval (75)130.2231.81.78x57.1%3.42
Terminal-Bench (112)128.0220.21.72x62.9%3.77
MT-Bench (154)129.2207.11.60x47.9%2.88
SWEBench-Verified (75)127.4194.41.53x51.7%3.10
Mean128.7213.41.66x54.9%3.29

B=32 (32 concurrent requests)

DatasetBaseline tok/sEagle3 tok/sSpeedup
SWEBench-Verified1,415.31,830.41.29x
HumanEval1,595.81,851.51.16x
MT-Bench1,489.91,627.91.09x
Terminal-Bench1,479.41,614.01.09x
Mean1,495.11,731.01.16x

Protocol: B=1: 5 warmup + 20 measured (sequential). B=32: 15 warmup + 60 measured (32 concurrent). Metrics from server-side Prometheus.


Architecture

ParameterValue
TypeLlamaForCausalLMEagle3
Hidden Size2048
Heads / KV Heads16 / 4 (GQA)
Head Dimension128
Intermediate Size8192
Layers1
Vocab Size154,880 (draft: 32,000)
Size278 MB

Training

54K samples (45% ShareGPT, 35% UltraChat, 20% PerfectBlend). 3 epochs, LR=1e-4, max_length=1024, batch_size=1. Trained with --target-model-backend sglang via SpecForge.

Best training accuracy (acc_0): 79.2%. Note: training accuracy does not predict inference accept rate — there is a 30-60pp gap.


Usage

Benchmarked with our SGLang fork (tails-mpt/sglang, commit 63291f7f51). Upstream SGLang may produce different speedups due to scheduling overhead differences.

python -m sglang.launch_server \
  --model-path zai-org/GLM-4.7-Flash \
  --speculative-algorithm EAGLE3 \
  --speculative-draft-model-path thoughtworks/GLM-4.7-Flash-Eagle3 \
  --speculative-num-steps 3 \
  --speculative-num-draft-tokens 6 \
  --speculative-eagle-topk 4 \
  --tp 1 --trust-remote-code --port 30000 \
  --enable-metrics --mem-fraction-static 0.65

Pinned dependencies: sgl-kernel 0.3.18.post2, flashinfer 0.6.6, torch 2.9.1+cu126.

Verify accept rate > 0% after startup to confirm the draft model loaded correctly.


Citation

@article{li2025eagle3,
  title={EAGLE-3: Scaling up Inference Acceleration of Large Language Models via Training-Time Test},
  author={Li, Yuhui and Wei, Fangyun and Zhang, Chao and others},
  journal={arXiv preprint arXiv:2503.01840},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLMEagle3
Ревизия весов
c43b5f1

0 моделей