/ Модель

Характеристики

Параметры
815 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
Qwen3-8B
Библиотека
transformers
Опубликована
27 мар 2026

Qwen3-8B-Eagle3

Генерация текстаТекст → текст3 профессии

Черновая голова EAGLE3 для Qwen3-8B предлагает токены для спекулятивного декодирования, ускоряя генерацию текста при проверке целевой моделью.

246скачиваний за 30 дней2лайкавеса 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 вспомогательная модель EAGLE3, разработанная Thoughtworks для ускорения генерации Qwen/Qwen3-8B. Она обучена методом EAGLE3 на Google Cloud TPU с использованием SpecJAX и предназначена для спекулятивного декодирования: модель предлагает несколько следующих токенов, а целевая Qwen3-8B проверяет их параллельно. В README заявлен типичный прирост пропускной способности в 2–3 раза без изменения качества итогового вывода; фактический результат зависит от оборудования, запросов и версии среды выполнения.

Модель представляет собой однослойную трансформерную черновую голову, принимающую скрытые состояния целевой модели. В карточке указано 815,3 млн параметров; архитектура обозначена как LlamaForCausalLM, формат весов — safetensors. Поддерживается запуск с SGLang на GPU и TPU через sglang-jax; режимы thinking и no_think Qwen3 совместимы с этой головой. Лицензия — Apache-2.0.

Это не самостоятельная модель для обычной генерации: для работы ей нужна целевая Qwen/Qwen3-8B и совместимая среда спекулятивного декодирования. Черновая голова обучена преимущественно на англоязычных инструкциях, поэтому на других языках и узкоспециализированных запросах её эффективность может снижаться. Приведённые показатели принятия токенов получены на обычных чат-запросах без thinking и могут отличаться на других запросах.

Сценарии применения

  • ускорение генерации ответов Qwen3-8B в SGLang на GPU
  • ускорение авторегрессионной генерации на TPU через sglang-jax
  • повышение пропускной способности сервиса диалоговой генерации
  • спекулятивное декодирование запросов в режимах thinking и no_think

Ограничения

Для работы требуется целевая модель Qwen/Qwen3-8B и поддерживающая EAGLE3 среда выполнения. Голова обучена на преимущественно англоязычных инструкциях; эффективность может снижаться на других языках, специализированных запросах и промптах с расширенным thinking.

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 — Qwen3-8B

A speculative decoding draft head for Qwen/Qwen3-8B, 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)

Qwen3 EAGLE3 is natively supported in SGLang.

python -m sglang.launch_server \
    --model Qwen/Qwen3-8B \
    --speculative-algorithm EAGLE3 \
    --speculative-draft-model-path thoughtworks/Qwen3-8B-Eagle3 \
    --speculative-num-steps 5 \
    --speculative-eagle-topk 4 \
    --dtype bfloat16

Thinking mode

Qwen3 supports an optional thinking mode (/think and /no_think tokens). This draft head was trained on generic instruction-following data and is compatible with both modes:

# Disable thinking mode for pure instruction-following workloads
python -m sglang.launch_server \
    --model Qwen/Qwen3-8B \
    --speculative-algorithm EAGLE3 \
    --speculative-draft-model-path thoughtworks/Qwen3-8B-Eagle3 \
    --speculative-num-steps 5 \
    --speculative-eagle-topk 4 \
    --dtype bfloat16 \
    --chat-template qwen3-instruct-no-thinking

sglang-jax (TPU)

Qwen3 EAGLE3 is natively supported in sglang-jax. Note: sglang-jax's EAGLE3 pipeline is functional but not yet performance-optimized.

python -m sgl_jax.launch_server \
    --model-path Qwen/Qwen3-8B \
    --speculative-algorithm EAGLE3 \
    --speculative-draft-model-path thoughtworks/Qwen3-8B-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/Qwen3-8B",
    speculative_algorithm="EAGLE3",
    speculative_draft_model_path="thoughtworks/Qwen3-8B-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
Steps4,983 per epoch
OptimizerAdamW, cosine LR decay, 3% warmup
Learning rate3e-4
Batch sizeB=4, sequence length T=2048, gradient accumulation 2
TTT length7 (multi-step speculative rollout)
Training time~2.0 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.

Qwen3's architecture includes per-head QK RMSNorm and tied word embeddings. The draft head is trained to match Qwen3's output distribution at every speculative position.

Performance

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

PositionAcceptance Rate
acc_0 (1st draft token)60.0%
acc_156.7%
acc_255.0%
acc_353.8%
acc_452.6%
acc_551.5%
acc_650.4%

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 size4096
Attention heads32 (GQA: 8 KV heads)
Vocabulary size151,936 (full target vocab)
Draft vocab size32,000 (top tokens by training frequency)
Parameters~350M

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 (non-thinking mode) and may differ under extended thinking prompts.
  • 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
eba8168

0 моделей