/ Модель

Характеристики

Контекст
196 608 токенов
Параметры
715 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
MiniMax-M2.5
Библиотека
transformers
Опубликована
9 апр 2026

MiniMax-M2.5-Eagle3

Генерация текстаТекст → текст3 профессии

Draft-модель EAGLE3 для speculative decoding ускоряет генерацию текста MiniMax-M2.5.

884скачиваний за 30 дней7лайковвеса 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 выпустила лёгкую draft-модель EAGLE3 для ускорения генерации MiniMax-M2.5 с помощью speculative decoding. Это однослойная архитектура LlamaForCausalLMEagle3 с 715,3 млн параметров; она использует скрытые состояния нескольких слоёв целевой модели, чтобы предлагать следующие токены. Для запуска draft-модели вместе с MiniMax-M2.5 предусмотрена интеграция с SGLang. Контекст составляет 196 608 токенов.

Модель предназначена для ускорения генерации текста целевой моделью, а не для самостоятельного использования как универсальная языковая модель. В карточке описаны конфигурации для запросов с малым и большим batch; приведённые бенчмарки ориентированы на задачи программирования. Модель распространяется по лицензии Apache-2.0.

Для работы требуется форк SGLang с поддержкой MiniMax-M2.5 Eagle3 и исправлениями для FP8. Указано ограничение на TP=4: TP=8 не работает из-за ограничений размера блоков FP8. Эффективность зависит от температуры генерации: лучшие результаты заявлены при temp=0, а при temp=0.7 ускорение снижается и на некоторых пакетных тестах уступает базовой генерации. Совместимость с overlap scheduler SPEC_V2 не поддерживается.

Сценарии применения

  • ускорение генерации кода с MiniMax-M2.5
  • ускорение ответов чат-модели при низкой температуре генерации
  • ускорение одиночных запросов к MiniMax-M2.5
  • ускорение пакетной генерации текста на MiniMax-M2.5

Ограничения

Для запуска требуется форк SGLang с поддержкой Eagle3 и FP8; заявлена конфигурация TP=4, тогда как TP=8 не работает. Производительность зависит от температуры и размера batch, а опубликованные бенчмарки ориентированы на программирование; SPEC_V2 не поддерживается.

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 Head — MiniMax-M2.5

A lightweight EAGLE3 draft head for MiniMax-M2.5 (229B MoE, ~10B active parameters). Trained with SpecForge on 8x H200 GPUs using the EAGLE-3 training-time test objective.

Blog post: 2x Faster on a 229B MoE: EAGLE3 Speculative Decoding for MiniMax-M2.5

Usage

SGLang (GPU)

Requires our SGLang fork for MiniMax-M2.5 Eagle3 support + FP8 dtype fixes.

B=1 server (wide tree — optimal for single-user, real-time requests):

pip install 'git+https://github.com/tails-mpt/sglang.git#subdirectory=python'

python -m sglang.launch_server \
    --model-path MiniMaxAI/MiniMax-M2.5 \
    --speculative-algorithm EAGLE3 \
    --speculative-draft-model-path thoughtworks/MiniMax-M2.5-Eagle3 \
    --speculative-num-steps 3 \
    --speculative-num-draft-tokens 8 \
    --speculative-eagle-topk 4 \
    --quantization fp8 \
    --tp 4 \
    --port 30000

B=32 server (narrow tree — optimal for batch workloads):

python -m sglang.launch_server \
    --model-path MiniMaxAI/MiniMax-M2.5 \
    --speculative-algorithm EAGLE3 \
    --speculative-draft-model-path thoughtworks/MiniMax-M2.5-Eagle3 \
    --speculative-num-steps 5 \
    --speculative-num-draft-tokens 6 \
    --speculative-eagle-topk 1 \
    --quantization fp8 \
    --tp 4 \
    --port 30002

Important: Use different speculative configs for B=1 vs B=32. A wider tree (topk=4) exploits idle GPU compute at low batch; a narrow tree (topk=1) minimizes MoE expert dispatch overhead at high batch.

Python Client

import requests

response = requests.post(
    "http://localhost:30000/v1/chat/completions",
    json={
        "model": "default",
        "messages": [{"role": "user", "content": "Write a Python function to merge two sorted lists."}],
        "max_tokens": 512,
        "temperature": 0,
    }
)
print(response.json()["choices"][0]["message"]["content"])

Training Details

ParameterValue
FrameworkSpecForge (PyTorch), SGLang backend
Hardware8x NVIDIA H200 144GB (TP=4, DP=2)
Dataset20K regenerated samples (target-model responses at temp=0.8)
Pre-training9 epochs on 54K mixed data (ShareGPT 45% / UltraChat 35% / PerfectBlend 20%)
Fine-tuning6 epochs on 20K regenerated data
Learning rate2e-5 (final stage)
OptimizerAdamW
Batch size1 (per device)
max_length2048
TTT (tree training tokens)7
Precisionbfloat16

Training Method

EAGLE3 trains a single-layer draft head that predicts the next token using hidden states captured from three auxiliary layers of the target model (layers 1, 30, 58 — early, middle, and late). The training objective is the Training-Time Test (TTT) loss, which simulates the speculative decoding accept/reject process during training to maximize the expected number of accepted tokens at inference time.

Performance

Training Accuracy (base checkpoint, before regenerated data fine-tuning)

PositionAccuracy
acc_00.820
acc_10.809
acc_20.781
acc_30.789
acc_40.777
acc_50.761
acc_60.730

The released model was fine-tuned for 6 additional epochs on 20K regenerated samples from the target model. The fine-tuned accuracy is expected to be equal or higher than these base values.

Inference Benchmarks (B=1, temp=0, TP=4)

With draft_tokens=8 (best B=1 config):

DatasetBaseline (tok/s)EAGLE3 (tok/s)Speedup
HumanEval109.3230.62.11x
MT-Bench109.9195.61.78x
SWEBench-Verified109.6191.81.75x
Aider109.9186.81.70x

Config: steps=3, topk=4, draft_tokens=8. 8x H200 (TP=4).

With draft_tokens=6 (verified 2026-04-12):

DatasetBaseline (tok/s)EAGLE3 (tok/s)Speedup
HumanEval109.6177.01.61x
Terminal-Bench108.9160.81.48x
MT-Bench109.0146.81.35x
SWEBench-Verified109.1123.11.13x

Config: steps=3, topk=4, draft_tokens=8. 4x H200 (TP=4). Server-side Prometheus metrics.

Model Architecture

ParameterValue
ArchitectureLlamaForCausalLMEagle3
Hidden size3072
Num hidden layers1
Num attention heads24 (8 KV heads)
Intermediate size8192
Auxiliary layers[1, 30, 58]
Vocab size200064 (target) / 32000 (draft)
Checkpoint size~464 MB

Limitations

  • TP=4 only. TP=8 fails due to FP8 block size constraint (intermediate_size / 8 = 192, not divisible by block_n=128).
  • Temperature sensitivity. Best performance at temp=0 (greedy). At temp=0.7, B=1 speedup drops to 1.27-1.80x and some B=32 datasets regress below baseline.
  • Coding-focused benchmarks. All benchmarks use coding-oriented datasets (HumanEval, SWEBench, Aider). Conversational workloads may show different patterns.
  • SPEC_V2 incompatible. The overlap scheduler (SGLANG_ENABLE_SPEC_V2=true) is not supported — standard (non-overlapped) speculation only.
  • Requires SGLang fork. Upstream SGLang does not yet include the FP8 dtype patches needed for Eagle3 on this model.

License

This draft head is released under Apache 2.0, matching the MiniMax-M2.5 license.

Citation

@inproceedings{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 Zhang, Hongyang},
  booktitle={Advances in Neural Information Processing Systems (NeurIPS)},
  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
fb4699b

0 моделей