/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
372 млн
Лицензия
Apache 2.0
Архитектура
llama · dense
Базовая модель
Qwen3-Coder-Next
Библиотека
transformers
Опубликована
15 апр 2026

Qwen3-Coder-Next-Eagle3

Генерация текстаТекст → текст3 профессии

Черновая голова EAGLE3 для Qwen3-Coder-Next ускоряет генерацию кода и текста посредством speculative decoding.

70скачиваний за 30 дней2лайкавеса обновлены15 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

Это лёгкая черновая голова EAGLE3 для Qwen3-Coder-Next от Thoughtworks. Она предназначена для ускорения генерации кода и других текстовых ответов методом speculative decoding: голова предлагает следующие токены, а целевая модель проверяет их. Модель содержит 372 млн параметров, использует архитектуру LlamaForCausalLMEagle3 с одним скрытым слоем и принимает скрытые состояния выбранных attention-слоёв базовой модели. Контекст составляет 4096 токенов; заявленный язык — английский. Базовая Qwen3-Coder-Next — MoE-модель для кодирующих агентов и многошаговой разработки.

В README приведены замеры ускорения на SWEBench-Verified, HumanEval, Terminal-Bench и MT-Bench. Для запуска описана интеграция с SGLang и базовой моделью Qwen3-Coder-Next. Указаны ограничения: требуются TP=4, backend Triton и форк SGLang с поддержкой Qwen3-Next EAGLE3; на пакетных нагрузках результат зависит от ширины дерева, а при ненулевой температуре может снижаться доля принятых черновых токенов. Лицензия — Apache-2.0.

Сценарии применения

  • ускорение генерации кода с Qwen3-Coder-Next
  • ускорение решений задач HumanEval
  • ускорение работы кодирующего агента на SWEBench
  • ускорение текстовых ответов в SGLang

Ограничения

Для описанной конфигурации требуются TP=4, backend Triton и форк SGLang с патчами поддержки Qwen3-Next EAGLE3. Широкое дерево спекулятивного декодирования может ухудшать результат Terminal-Bench при пакетной обработке, а ненулевая температура снижает принятие черновых токенов.

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-Coder-Next

A lightweight EAGLE3 draft head for Qwen3-Coder-Next (80B MoE, 512 experts, 10 active per token, GDN+attention hybrid, 48 layers). Trained with SpecForge on 8x H200 GPUs using the EAGLE-3 training-time test objective.

Qwen3-Coder-Next uses a hybrid layer design that interleaves standard multi-head attention with GDN (linear recurrence) layers. Only 12 of 48 layers are attention layers (every 4th: 3, 7, 11, ..., 47). EAGLE3 auxiliary layers must be selected from attention layers only — GDN layers produce recurrent hidden states that are not compatible with EAGLE3. The model code handles this automatically, selecting layers 3, 23, 47 (first, middle, last attention layers).

Blog post: [TODO: link after publication]

Usage

SGLang (GPU)

Requires our SGLang fork for Qwen3-Coder-Next Eagle3 support.

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 Qwen/Qwen3-Coder-Next \
    --speculative-algorithm EAGLE3 \
    --speculative-draft-model-path thoughtworks/Qwen3-Coder-Next-Eagle3 \
    --speculative-num-steps 3 \
    --speculative-num-draft-tokens 8 \
    --speculative-eagle-topk 4 \
    --tp 4 \
    --trust-remote-code \
    --attention-backend triton \
    --port 30000

B=32 server (narrow tree — eliminates Terminal-Bench regression):

python -m sglang.launch_server \
    --model-path Qwen/Qwen3-Coder-Next \
    --speculative-algorithm EAGLE3 \
    --speculative-draft-model-path thoughtworks/Qwen3-Coder-Next-Eagle3 \
    --speculative-num-steps 5 \
    --speculative-num-draft-tokens 6 \
    --speculative-eagle-topk 1 \
    --tp 4 \
    --trust-remote-code \
    --attention-backend triton \
    --port 30002

Important: Wide tree (topk=4) maximizes MT-Bench at B=32 (1.31x) but regresses Terminal-Bench (0.89x). Narrow tree (topk=1) eliminates the regression at the cost of lower peak speedup (1.10x MT-Bench). Use narrow tree for mixed or unknown workloads.

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)
Pre-training6 epochs on 54K mixed data (ShareGPT / UltraChat / PerfectBlend), LR=1e-4
OptimizerAdamW
Batch size1 (per device)
max_length2048
TTT (tree training tokens)7
Precisionbfloat16
Training accuracy (acc_0)0.97

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 3, 23, 47 — first, middle, and last attention layers out of 12 total). 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.

GDN (linear recurrence) layers are excluded from auxiliary layer selection because their hidden states encode sequential recurrence rather than per-token representations, making them incompatible with EAGLE3's draft prediction.

Performance

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

DatasetBaseline (tok/s)EAGLE3 (tok/s)SpeedupAccept RateAccept Length
SWEBench-Verified163.9249.71.52x37.5%3.00
HumanEval171.1237.91.39x20.0%1.60
Terminal-Bench166.0231.01.39x34.7%2.77
MT-Bench166.5196.01.18x30.6%2.45
Mean166.9228.71.37x30.7%2.46

B=32 Inference Benchmarks (temp=0, TP=4, wide tree)

DatasetBaseline (tok/s)EAGLE3 (tok/s)Speedup
MT-Bench1,529.12,009.41.31x
SWEBench-Verified2,010.42,186.51.09x
HumanEval1,740.21,793.81.03x
Terminal-Bench2,310.52,057.10.89x
Mean1,897.52,011.71.06x

B=32 Inference Benchmarks (temp=0, TP=4, narrow tree)

DatasetBaseline (tok/s)EAGLE3 (tok/s)Speedup
MT-Bench1,529.11,688.61.10x
Terminal-Bench2,310.52,379.81.03x
HumanEval1,740.21,756.31.01x
SWEBench-Verified2,010.41,998.71.00x
Mean1,897.51,955.91.03x

Config: B=1 uses steps=3, topk=4, draft_tokens=8. B=32 narrow uses steps=5, topk=1, draft_tokens=6. Hardware: 4x H200 (TP=4), Triton backend. SGLang commit 63291f7f51.

Model Architecture

ParameterValue
ArchitectureLlamaForCausalLMEagle3
Hidden size2048
Num hidden layers1
Num attention heads16 (4 KV heads)
head_dim128
Intermediate size8192
Auxiliary layers[3, 23, 47] (attention layers only)
Vocab size151936 (target) / 32000 (draft)
Checkpoint size~278 MB

Limitations

  • TP=4 required. FP8 block constraint: shared_expert dim=512, 512/8=64 not divisible by block_n=128.
  • Triton attention backend required. FlashInfer is incompatible with head_dim=256 hybrid attention+GDN layers. Pass --attention-backend triton.
  • GDN layer constraint. EAGLE3 auxiliary layers must be attention layers (every 4th), not GDN layers. The model code handles this automatically.
  • Temperature sensitivity. Best performance at temp=0 (greedy). MoE expert routing is non-deterministic at temp>0, which reduces draft acceptance rates.
  • Terminal-Bench regression at B=32. Wide tree (topk=4) regresses Terminal-Bench to 0.89x. Use narrow tree (topk=1) for mixed workloads.
  • Requires SGLang fork. Upstream SGLang does not yet include the Qwen3-Next EAGLE3 patches.

License

This draft head is released under Apache 2.0, matching the Qwen3-Coder-Next 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
560a4c7

0 моделей