/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,9 млрд
Архитектура
qwen3 · dense
Базовая модель
Qwen3.8-27B-FP8
Библиотека
transformers
Опубликована
1 сен 2026

Qwen3.8-27B-FP8-DSpark

Генерация текстаТекст → текст3 профессии

Черновая DSpark-модель для speculative decoding, ускоряющая генерацию Qwen/Qwen3.8-27B-FP8 в поддерживающем её сервере.

135скачиваний за 30 дней0лайковвеса обновлены1 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-DSpark — вспомогательная черновая модель от автора yukimakoto для ускорения генерации целевой модели Qwen/Qwen3.8-27B-FP8 методом speculative decoding. Она не является самостоятельной языковой моделью: при обслуживании через сервер с поддержкой DSpark предлагает до 7 токенов за раунд, а целевая модель проверяет предложения и формирует окончательный результат. Модель рассчитана на задачи с умеренным уровнем рассуждений и агентные сценарии.

Черновая модель содержит около 1,86 млрд параметров, использует BF16 и архитектуру DSparkDraftModel на базе Qwen3: пять слоёв внимания с окном 2048, GQA и максимальной длиной позиций 262 144. В метаданных указано 2,9 млрд параметров для репозитория. Обучение следовало рецепту DSpark и использовало около 1,04 млрд выходных токенов. В оценках на ряде чатов и других нагрузок модель показала более высокую длину принимаемых предложений, чем сравниваемый DSpark v2, хотя результат зависит от задачи и уровня рассуждений.

Для работы нужны целевая Qwen/Qwen3.8-27B-FP8 и сервер SGLang со встроенной поддержкой Qwen3.8 DSpark. Карточка не указывает лицензию, поэтому условия использования по доступным данным определить нельзя.

Сценарии применения

  • ускорение генерации текста на Qwen3.8-27B-FP8
  • спекулятивное декодирование в сервере SGLang
  • ускорение чат-ответов с умеренным уровнем рассуждений
  • ускорение агентных сценариев на базе Qwen3.8

Ограничения

Модель не предназначена для самостоятельной генерации: ей нужны целевая Qwen/Qwen3.8-27B-FP8 и сервер с поддержкой DSpark. Выигрыш в скорости зависит от нагрузки; в приведённой оценке есть задачи, где результат уступил сравниваемой модели.

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-DSpark

This repository contains a DSpark draft model for Qwen/Qwen3.8-27B-FP8. This version is optimized for medium-effort reasoning and agentic workloads. It is not a standalone language model: it runs alongside the target model in a speculative-decoding server, proposes 7 tokens per round, and leaves final verification to the target.

Training at a glance

Training broadly follows DeepSeek's DSpark recipe and used approximately 1.04B output tokens and 2.627B anchor exposures, broken down by reasoning effort:

Reasoning effort# output tokens# anchor exposures
off~110.5M~299.0M
low~124.8M~323.4M
medium~560.5M~1.391B
xhigh~244.2M~614.1M
Total~1.040B~2.627B

At this data scale, across these 12 workloads, this model's request-macro / proposal-weighted EAL exceeds RadixArk DSpark v2 by 0.676 / 0.609 at medium and 0.073 / 0.044 at xhigh.

Model details

  • Training target: Qwen/Qwen3.8-27B-FP8
  • Draft parameters: ~1.86B
  • Draft weight dtype: BF16
  • Training/verification block width: 8 tokens (7 draft proposals)
  • Hidden size: 5,120
  • Transformer: 5 sliding-window (width 2048) attention layers
  • Attention: GQA with 32 query heads and 8 key/value heads
  • Target feature layers (zero-based): 5, 19, 33, 47, 61
  • Markov head: VanillaMarkov, rank 256
  • Maximum position embeddings: 262,144

Acceptance length

Each cell reports request-macro / proposal-weighted EAL; higher is better. For τ³, both the agent and FP8 user simulator use the effort stated by the table.

Medium effort

CategoryWorkloadPromptsRadixArk DSpark v2This model
ChatMT-Bench803.6115 / 2.96884.2590 / 3.4679
ChatArena-Hard-v27503.4796 / 3.20054.0044 / 3.6402
Chat (ZH)AlignBench6833.1208 / 2.79523.4843 / 3.0427
MathGSM8K1,3195.1381 / 5.02116.2282 / 6.0783
MathMATH-5005005.0465 / 4.58915.6797 / 5.0241
ReasoningGPQA-Diamond1984.2926 / 4.10665.0217 / 4.7636
CodeHumanEval1645.1694 / 5.06876.2000 / 6.1004
CodeMBPP2574.2923 / 4.31485.2898 / 5.2560
Code (ZH)NaturalCodeBench-ZH1404.8401 / 4.73675.5242 / 5.4396
AgentAutomationBench Operations/Public1003.8366 / 3.37874.4280 / 3.7993
AgentBFCL v4 multi-turn2004.5050 / 4.09894.9922 / 4.6943
Agentτ³ telecom/base1143.6718 / 3.31924.0050 / 3.5968
12-workload equal mean4,5054.2503 / 3.96654.9264 / 4.5753

Xhigh effort

CategoryWorkloadPromptsRadixArk DSpark v2This model
ChatMT-Bench803.7028 / 3.18993.8575 / 3.2986
ChatArena-Hard-v27503.3082 / 3.12613.3142 / 3.1317
Chat (ZH)AlignBench6833.2091 / 2.92493.1502 / 2.8814
MathGSM8K1,3195.4651 / 4.64065.2977 / 4.5819
MathMATH-5005005.0944 / 4.34345.0485 / 4.2586
ReasoningGPQA-Diamond1983.6749 / 3.56433.6917 / 3.6054
CodeHumanEval1644.1540 / 3.89834.1382 / 3.8639
CodeMBPP2574.5106 / 4.03604.5590 / 4.0351
Code (ZH)NaturalCodeBench-ZH1403.4532 / 3.33263.4290 / 3.3337
AgentAutomationBench Operations/Public1003.9347 / 3.69344.4301 / 3.9239
AgentBFCL v4 multi-turn2004.0618 / 3.64874.3000 / 3.8319
Agentτ³ telecom/base1143.7253 / 3.28593.9483 / 3.4718
12-workload equal mean4,5054.0245 / 3.64034.0970 / 3.6848

Evaluation protocol

  • Drafts: the released Qwen3.8-27B-DSpark weights and RadixArk/Qwen3.8-27B-DSpark@b9a5dbd
  • Sampling: thinking enabled, temperature 1.0, top-p 0.95, top-k 20
  • Recorded draft seed bases: this model 42, RadixArk 980406.

Serving with SGLang

Use an SGLang build containing Qwen3.8 DSpark support:

pip install "sglang[all] @ git+https://github.com/sgl-project/sglang.git#subdirectory=python"

python -m sglang.launch_server \
  --model-path Qwen/Qwen3.8-27B-FP8 \
  --speculative-algorithm DSPARK \
  --speculative-draft-model-path yukimakoto/Qwen3.8-27B-FP8-DSpark \
  --speculative-dspark-block-size 7

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
DSparkDraftModel
Ревизия весов
1485667

0 моделей