/ Модель

Характеристики

Лицензия
CC BY-NC-ND 4.0
Базовая модель
GLM-5.3-Flash-DFlash2
Библиотека
gguf
Опубликована
28 авг 2026

GLM-5.3-Flash-DFlash2-GGUF

Генерация текстаТекст → текст3 профессии

Черновая модель DFlash 2 в формате GGUF ускоряет генерацию GLM-5.3-Flash посредством спекулятивного декодирования.

352скачиваний за 30 дней3лайкавеса обновлены28 авг 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 сообщественная GGUF-конверсия черновой модели DFlash 2 от Inco AI для GLM-5.3-Flash. Она не является самостоятельной языковой моделью: модель предлагает черновые токены для целевой GLM-5.3-Flash в режиме спекулятивного декодирования, чтобы ускорить генерацию. В файле BF16 GGUF размером около 2,19 ГиБ указана архитектура dflash; метод DFlash 2 использует параллельное построение черновика. Модель предназначена для запуска через llama.cpp с поддержкой DFlash 2 и должна использоваться вместе с целевой моделью GLM-5.3-Flash.

В README приведены замеры скорости на DGX Spark, но они зависят от оборудования, конфигурации и текста; высокий процент принятия токенов в одном повторяющемся тесте не следует считать общей оценкой качества. Контекстные замеры черновика указаны до 96 тыс. токенов; результат для 114–128 тыс. не подтверждён. Лицензия — CC BY-NC-ND 4.0, коммерческое использование требует обращения к Inco AI.

Сценарии применения

  • ускорение генерации текста моделью GLM-5.3-Flash в llama.cpp
  • ускорение диалоговых ответов GLM-5.3-Flash при спекулятивном декодировании
  • локальный запуск черновой модели DFlash 2 совместно с целевой GGUF-моделью

Ограничения

Не работает как самостоятельная языковая модель и требует целевой GLM-5.3-Flash, а также реализации DFlash 2 в llama.cpp. Приведённые показатели скорости и принятия токенов зависят от тестовой конфигурации и не являются универсальной оценкой.

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

GLM-5.3-Flash-DFlash2-GGUF

Community GGUF of Inco AI's DFlash 2 draft model for GLM-5.3-Flash.

This is not a standalone language model. It only drafts tokens for a GLM-5.3-Flash target under speculative decoding.

Spark serve recipe: vcruz305/GLM-5.3-Flash-DFlash2-DGX-Spark-recipe

Source and attribution

License follows the original: CC BY-NC-ND 4.0. For commercial use, contact contact@inco.ai.

If you use this GGUF, please cite Inco AI's DFlash 2 writeup and the DFlash paper:

@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}
}

Files

FileTypeSizeNotes
GLM-5.3-Flash-DFlash2-BF16.ggufBF16 GGUF2.191 GiB (2,352,022,432 B)81 tensors, arch dflash

GGUF metadata from this convert: dflash.block_size=8, conv_kernel_size=2, conv_group_size=16, selector_rank=256, selector_top_k=16, target_layers=[6,15,25,34,43]. Vocab is the GLM-5.3 tokenizer (154880).

Q8_0 / Q4_K_M drafts were measured on a Spark and are not in this repo.

Run

Needs llama.cpp with DFlash 2 (grouped dynamic conv + candidate selector). That is ggml-org/llama.cpp#27342, also on vcruz305/llama.cpp main / glm5next-mtp at 6f5ac9a (+ aarch64 cmath 4a06ec6). Pair with a GLM-5.3-Flash target GGUF such as vcruz305/GLM-5.3-Flash-GGUF.

--spec-draft-n-max clamps to 7 (block_size - 1). Do not combine with --spec-type draft-mtp on the same server.

hf download vcruz305/GLM-5.3-Flash-DFlash2-GGUF GLM-5.3-Flash-DFlash2-BF16.gguf --local-dir GLM-5.3-Flash-DFlash2-GGUF

llama-server \
  -m GLM-5.3-Flash-Q2_K.gguf \
  -md GLM-5.3-Flash-DFlash2-GGUF/GLM-5.3-Flash-DFlash2-BF16.gguf \
  --spec-type draft-dflash --spec-draft-n-max 7 --spec-draft-p-min 0.30 \
  -fa on -ctk q8_0 -ctv q8_0 --jinja \
  -c 98304 -np 1 --no-kv-unified --fit off

Measured (one DGX Spark GB10, 2026-08-27)

Target: GLM-5.3-Flash-Q2_K.gguf. Tool: llama-speculative-simple, greedy, seed 42.

Unique prompt "The capital of France is" (n=64, FA on, no q8 KV): 17.58 t/s, accept 31.41%.

Repetitive bench file, FA + q8 KV, -c 2048, n=128:

draftn_maxt/saccept
MTP-3 control328.2373.2%
DFlash2 BF16741.4094.4%
DFlash2 Q4_K_M743.4394.4%

Do not quote 94% as a model score — that file is a repeated sentence.

Ctx ladder (Q4_K_M, n_max=7, p_min=0.30, FA+q8, n=64):

ctxt/saccept
8,19239.5889.9%
32,76839.5389.9%
65,53639.7189.9%
98,30438.8689.9%

96k is the last measured OK (114,820 MiB of 124,610). 114k/128k not re-run for DFlash2.

Convert

python convert_hf_to_gguf.py incoai/GLM-5.3-Flash-DFlash2 \
  --target-model-dir zai-org/GLM-5.3-Flash-BF16 \
  --outtype bf16 \
  --outfile GLM-5.3-Flash-DFlash2-BF16.gguf

--target-model-dir is tokenizer + config.json only. Converted with vcruz305/llama.cpp 6f5ac9a.

Как запустить

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

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
caf6ef0

0 моделей