/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,9 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3.8-27B-DFlash2
Опубликована
24 авг 2026

Qwen3.8-27B-DFlash2-memra

Генерация текстаТекст → текст3 профессии

Черновая модель Qwen3 DFlash2 предсказывает блоки токенов для ускорения проверяемой целевой моделью текстовой генерации в tiyuvta.

382скачиваний за 30 дней2лайкавеса обновлены12 сен 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

Qwen3.8-27B-DFlash2-memra — блоковая diffusion-модель чернового предсказания для ускорения генерации с помощью speculative decoding в serving engine tiyuvta. Она создаёт блоки предполагаемых токенов для целевой модели Qwen3.8-27B, которая проверяет каждый токен; сама по себе модель не предназначена для диалога или самостоятельной генерации. В README указано, что веса побайтно совпадают с z-lab/Qwen3.8-27B-DFlash2 и распространяются по лицензии Apache-2.0; репозиторий добавляет конфигурацию обслуживания. Метаданные указывают архитектуру DFlash2DraftModel семейства Qwen3, 2,9 млрд параметров, формат safetensors и контекст 262 144 токена.

Модель предназначена для ускорения обслуживания текстовой генерации, в том числе чатов и агентных сценариев, при проверке предсказанных блоков целевой моделью. README приводит измерения для RTX PRO 6000 Blackwell и настройки tiyuvta, включая выигрыш пропускной способности в отдельных режимах и повторное использование кэша между ходами диалога. Точность спекулятивного маршрута описана как побайтно совпадающая с обычной жадной генерацией; в то же время скорость и принятие черновых токенов зависят от нагрузки и конфигурации. Для работы необходимы целевая модель и совместимый serving engine; это не автономная модель-ассистент.

Сценарии применения

  • ускорение генерации ответов в чатах на Qwen3.8-27B
  • ускорение текстовой генерации в агентных сценариях
  • обслуживание многоходовых диалогов с повторным использованием кэша
  • спекулятивное декодирование с проверкой токенов целевой моделью

Ограничения

Модель не является самостоятельной языковой моделью: ей необходимы целевая модель Qwen3.8-27B и совместимый serving engine tiyuvta. Выигрыш в скорости зависит от оборудования, нагрузки и конфигурации; README измеряет производительность на RTX PRO 6000 Blackwell.

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

Qwen3.8-27B-DFlash2 for the tiyuvta serving engine

The DFlash 2 block-diffusion draft model for Qwen/Qwen3.8-27B, packaged for serving on the tiyuvta serving engine. The weights are byte-identical to z-lab/Qwen3.8-27B-DFlash2 (model.safetensors sha256 67fc76d68dc5a9415511a4f394ef744d67510cd20e93b37cc2cc7d28e4bab65c), itself a mirror of incoai/Qwen3.8-27B-DFlash2. Apache-2.0, unmodified; this card adds the serving configuration and measured receipts.

It is not a standalone language model: it drafts token blocks that the target model verifies. Greedy output is byte-identical to plain decode by construction — the verifier arbitrates every committed token.

Serving

Served on the tiyuvta serving engine, tuned for this model on RTX PRO 6000 Blackwell. The serving configuration: the OpenAI-compatible API in front of the tiyuvta/Qwen3.8-27B-NVFP4-MTP-GGUF trunk (the Q5K-mtp build), the DFlash2 speculative route armed with this repository as the drafter, and the FR-Spec ranks file loaded.

Defaults do the tuning (serving engine >= v0.112.0): the drafter backbone quantizes to q4_0 at load (the measured default), and with the ranks file armed the round consumes an FR-Spec vocabulary trim — the draft-side lm_head and its top-k run over 32,768 ranked rows instead of the full 248,320 while verification keeps the full vocabulary, so output is still byte-identical to plain decode. The ranks file is q38-ranks-sxc32768.gguf.txt. Boot receipt: [dspark] q38: DFlash2 draft head TRIMMED to 32768 rows.

Arming the DFlash2 route gives this drafter the model's speculative program (the MTP arm disengages; two spec programs never coexist). Exactness gate: spec-on vs spec-off streams are byte-identical (dspark_q38_gate, ALL EXACT).

Measured (RTX PRO 6000 Blackwell, served, greedy, conc 1 steady, x3 interleaved)

configchat agg tok/sagentic agg tok/saccept
native MTP masked head (baseline)126.9148.60.63
DFlash2, q8 drafter, full vocab134.9151.50.75
DFlash2, q4 drafter, full vocab136.3154.50.76
DFlash2, q4 drafter + FR-Spec trim (defaults)142.9157.20.73
DFlash2, fixed verify T=8 (rejected)132.0145.50.52
  • Adaptive verify width (the default) beats fixed T=8 at serve shape.
  • The q4 drafter re-encode costs nothing in acceptance and saves draft time; the FR-Spec vocab trim stacks on it (bare gate: 152.4 -> 160.4 tok/s combined, +5.2%). Both ship as defaults in serving engine v0.112.0, alongside the concurrency shed that keeps speculation low-concurrency-only under load (c>=4 aggregate at plain-batch parity).
  • The trim trades a little acceptance (0.755 -> 0.730 agentic) for the wall win — chat gains most (+4.8% served) because shorter rounds make the head cost a bigger share.
  • The asymmetric q5 quant collapses acceptance (0.66 -> 0.42) and is not offered.

Served (serving engine >= v0.113.0): sampled admission stacks, and the route carries production

The measured tables above are GREEDY — the byte-exactness instrument. Production serves the vendor-recommended SAMPLED defaults, and since v0.113.0 sampled DFlash2 sessions stack in the spec-gate LOW band like greedy ones (earlier versions admitted sampled speculation only on an otherwise-idle server). At that shape, on the same RTX PRO 6000 (x3 interleaved, medians, agg tok/s vs the MTP head):

cDFlash2 routeMTP head
1126.8116.6
2127.5119.5
487.184.8

Single-stream wall rates on the same card scale with output predictability: prose ~131-146, code ~208-239, digit-heavy ~287-339 tok/s. This configuration serves both production Qwen3.8 origins of the maintainers' own API.

Multi-turn (serving engine >= v0.112.0)

Conversations resume their parked session by default: turn N+1 primes only the new suffix onto the parked trunk cache + draft KV instead of re-prefilling the whole conversation. Measured on the same card, 8-turn conversation: per-turn TTFT -16% -> -83% vs cold re-prime, growing with depth (turn 7: 0.32 s vs 1.90 s). Resume receipt: [worker] dspark-reuse: N committed tokens resumed. Streams cut by max_tokens mid-burst do not park, and a request whose context cap outgrew the parked allocation serves cold — both named in the log; agent loops that omit max_tokens resume every turn.

Citations

@misc{inco2026dflash2,
  title  = {{DFlash 2: Keep Drafting Parallel}},
  author = {{Inco AI}},
  year   = {2026},
  month  = {August},
  url    = {https://inco.ai/blog/dflash2/}
}
@inproceedings{chen2026dflash,
  title     = {{DFlash: Block Diffusion for Flash Speculative Decoding}},
  author    = {Chen, Jian and Liang, Yesheng and Liu, Zhijian},
  booktitle = {International Conference on Machine Learning (ICML)},
  year      = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
DFlash2DraftModel
Ревизия весов
9118904

0 моделей