/ Модель

Характеристики

Параметры
731 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
Qwen2.5-7B-Instruct
Библиотека
transformers
Опубликована
25 мар 2026

Qwen2.5-7B-Instruct-Eagle3

Генерация текстаТекст → текст3 профессии

Черновая голова EAGLE3 для Qwen2.5-7B-Instruct предлагает токены для спекулятивного декодирования и ускоряет генерацию текста.

2 418скачиваний за 30 дней1лайквеса обновлены28 мар 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 черновая голова EAGLE3 для Qwen/Qwen2.5-7B-Instruct, разработанная Thoughtworks и обученная методом EAGLE3 с использованием SpecJAX на Google Cloud TPU. Она предназначена для ускорения авторегрессионной генерации: предлагает несколько следующих токенов, которые целевая модель проверяет параллельно. В README сообщается о типичном приросте пропускной способности в 2–3 раза без изменения качества выходных данных; фактический результат зависит от оборудования, запросов и версии среды выполнения.

Модель содержит 731,3 млн параметров по метаданным и реализована как однослойный трансформер LlamaForCausalLM, использующий скрытые состояния целевой Qwen2.5-7B на слоях 1, 13 и 24. Для запуска требуется совместимая целевая модель; README описывает использование через SGLang на GPU или sglang-jax на TPU, причём для Qwen2.5 нужны дополнительные исправления, а TPU-конвейер ещё не оптимизирован по производительности. Репозиторий распространяется под лицензией Apache-2.0.

Сценарии применения

  • ускорение генерации ответов Qwen2.5-7B-Instruct
  • ускорение инференса чат-модели в SGLang на GPU
  • спекулятивное декодирование на TPU через sglang-jax

Ограничения

Обучение проводилось преимущественно на англоязычных инструкциях, поэтому качество предложений может снижаться для других языков и узкоспециализированных запросов. Для работы требуется целевая модель и совместимая среда; поддержка Qwen2.5 в SGLang и sglang-jax требует патча, а TPU-конвейер пока не оптимизирован по скорости.

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 — Qwen2.5-7B-Instruct

A speculative decoding draft head for Qwen/Qwen2.5-7B-Instruct, trained using the EAGLE3 method on Google Cloud TPU with the SpecJAX framework.

EAGLE3 draft heads accelerate autoregressive generation by proposing multiple tokens per step that a target model then verifies in parallel — typically achieving 2-3x throughput gains with no change in output quality.

Usage

SGLang (GPU)

Note: Qwen2.5 EAGLE3 support requires a small patch to SGLang (adding set_eagle3_layers_to_capture() to the Qwen2 model). See the SpecJAX inference guide for details.

python -m sglang.launch_server \
    --model Qwen/Qwen2.5-7B-Instruct \
    --speculative-algorithm EAGLE3 \
    --speculative-draft-model-path thoughtworks/Qwen2.5-7B-Instruct-Eagle3 \
    --speculative-num-steps 5 \
    --speculative-eagle-topk 4 \
    --dtype bfloat16

sglang-jax (TPU)

Note: Requires the same Qwen2 EAGLE3 patch applied to sglang-jax. The sglang-jax EAGLE3 pipeline is functional but not yet performance-optimized.

python -m sgl_jax.launch_server \
    --model-path Qwen/Qwen2.5-7B-Instruct \
    --speculative-algorithm EAGLE3 \
    --speculative-draft-model-path thoughtworks/Qwen2.5-7B-Instruct-Eagle3 \
    --speculative-eagle-topk 1 \
    --speculative-num-steps 3 \
    --speculative-num-draft-tokens 4 \
    --tp-size 4 --dtype bfloat16

Python (SGLang client)

import sglang as sgl

llm = sgl.LLM(
    model="Qwen/Qwen2.5-7B-Instruct",
    speculative_algorithm="EAGLE3",
    speculative_draft_model_path="thoughtworks/Qwen2.5-7B-Instruct-Eagle3",
    speculative_num_steps=5,
    speculative_eagle_topk=4,
    dtype="bfloat16",
)

Training Details

ParameterValue
FrameworkSpecJAX — pure JAX, no Flax/PyTorch
HardwareGoogle Cloud TPU v4-32 (4 hosts x 4 chips, TP=4, DP=4)
Dataset54K mixed: ShareGPT (45%) + UltraChat-200K (35%) + Open-PerfectBlend (20%)
Epochs3
Steps9,966 total
OptimizerAdamW, cosine LR decay, 3% warmup
Learning rate8e-4
Batch sizeB=4, sequence length T=1024, gradient accumulation 4
TTT length7 (multi-step speculative rollout)
Training time~5.5 hours
Precisionbfloat16

Training Method

This model uses EAGLE3's Test-Time Training (TTT) objective with a rollout length of 7. At each training step, the draft head autoregressively proposes 7 tokens; the target model provides ground-truth hidden states and logits for all positions; a geometric loss (0.8^k weighting) trains the draft to match the target at each position.

Performance

Token acceptance rates on generic instruction-following data (ShareGPT-style prompts):

PositionAcceptance Rate
acc_0 (1st draft token)61.8%
acc_156.9%
acc_254.6%

Measured on held-out evaluation data. Actual throughput gains depend on hardware, prompt distribution, and runtime version.

Model Architecture

The draft head is a single-layer transformer that operates on the target model's hidden states:

ParameterValue
ArchitectureLlamaForCausalLM (1 decoder layer)
Hidden size3584
Attention heads28 (GQA: 4 KV heads)
Vocabulary size152,064 (full target vocab)
Draft vocab size32,000 (top tokens by training frequency)
Parameters~300M

Auxiliary Layer Indices

This head uses multi-layer feature fusion from layers {1, 13, 24} of the 28-layer Qwen2.5-7B model (SpecForge convention: {1, L//2-1, L-4}).

Limitations

  • Trained on English-dominant instruction data; performance may degrade on non-English inputs or highly domain-specific content.
  • Acceptance rates are measured on generic chat data and will vary by prompt distribution.
  • This is a v1 checkpoint trained on generic data. A v2 with target-model-regenerated training data is planned.

License

This model is released under the Apache License 2.0, consistent with the base model's license.

References

@article{li2025eagle3,
  title={EAGLE3: Scalable Speculative Decoding with Training-Free Multi-Draft Speculation},
  author={Li, Yuhui and Wei, Fangyun and Zhang, Chao and Zhang, Hongyang},
  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
LlamaForCausalLM
Ревизия весов
ff17dda

0 моделей