/ Модель

Характеристики

Контекст
262 144 токена
Параметры
4,2 млрд
Размер весов
7 ГБ
Лицензия
MIT
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
5 апр 2026

Kimi-K2.5-DFlash

Генерация текстаТекст → текст3 профессии

Модель-черновик DFlash на 4,2 млрд параметров ускоряет генерацию текста целевой моделью Kimi-K2.5 посредством спекулятивного декодирования.

413скачиваний за 30 дней33лайкавеса обновлены18 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

Kimi-K2.5-DFlash — вспомогательная модель-черновик от z-lab для метода ускоренного декодирования DFlash. Она использует компактную блочную диффузионную модель для параллельной подготовки кандидатов, которые затем проверяет целевая модель moonshotai/Kimi-K2.5. Модель предназначена для ускорения генерации текста при работе с этой целевой моделью, в том числе в длинных контекстах и агентных сценариях; отдельно от неё модель-черновик не предназначена для использования как самостоятельный генератор.

Модель построена на архитектуре Qwen3, имеет 4,2 млрд параметров, принимает текст и рассчитана на контекст до 262 144 токенов. В README приведены результаты пропуска предложенных токенов для математических задач и генерации кода, а также показатели пропускной способности; они получены в конфигурации SGLang и не гарантируют такой же прирост в других условиях. Репозиторий содержит веса Safetensors, библиотека — Transformers. Лицензия — MIT.

Сценарии применения

  • ускорение генерации ответов моделью Kimi-K2.5
  • ускорение решения математических задач с Kimi-K2.5
  • ускорение генерации кода с Kimi-K2.5
  • ускорение генерации в длинных контекстах и агентных сценариях

Ограничения

Модель является компонентом-черновиком и требует целевую модель moonshotai/Kimi-K2.5 и совместимый запуск через SGLang. Приведённые показатели производительности относятся к указанной конфигурации и наборам данных.

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

Kimi-K2.5-DFlash

Paper | GitHub | Blog

DFlash is a novel speculative decoding method that utilizes a lightweight block diffusion model for drafting. It enables efficient, high-quality parallel drafting that pushes the limits of inference speed.

This model is the drafter component. It must be used in conjunction with the target model moonshotai/Kimi-K2.5.

Quick Start

Installation

SGLang:

uv pip install "git+https://github.com/sgl-project/sglang.git@refs/pull/20547/head#subdirectory=python"

vLLM:

uv pip install vllm
uv pip install -U vllm --torch-backend=auto --extra-index-url https://wheels.vllm.ai/nightly

Please refer to PR39930 to see how to use DFlash with Kimi-K2.5 on vLLM.

Launch Server

SGLang:

# Optional: enable schedule overlapping (experimental, may not be stable)
# export SGLANG_ENABLE_SPEC_V2=1
# export SGLANG_ENABLE_DFLASH_SPEC_V2=1
# export SGLANG_ENABLE_OVERLAP_PLAN_STREAM=1
python -m sglang.launch_server \
    --model-path moonshotai/Kimi-K2.5 \
    --speculative-algorithm DFLASH \
    --speculative-draft-model-path z-lab/Kimi-K2.5-DFlash \
    --speculative-num-draft-tokens 8 \
    --tp-size 8 \
    --attention-backend trtllm_mla \
    --speculative-draft-attention-backend fa4 \
    --mem-fraction-static 0.9 \
    --speculative-dflash-draft-window-size 4096 \
    --trust-remote-code

Tip: For long-context or agentic workloads, add --speculative-dflash-draft-window-size WINDOW_SIZE to enable sliding-window attention for the drafter.

Usage

from openai import OpenAI
client = OpenAI(base_url="http://localhost:30000/v1", api_key="EMPTY")
response = client.chat.completions.create(
    model="moonshotai/Kimi-K2.5",
    messages=[{"role": "user", "content": "Write a quicksort in Python."}],
    max_tokens=4096,
)
print(response.choices[0].message.content)

Benchmark Results

Acceptance Length

  • Thinking: enabled
  • Max new tokens: 4096
  • Block size: 8
  • SGLang results.
DatasetAccept Length
GSM8K5.3
Math5005.5
HumanEval5.3
MBPP4.5
MT-Bench3.7

Throughput

DatasetC=32
GSM8K2015
Math5003096
HumanEval3146
MBPP2940
MT-Bench2146

Acknowledgements

Special thanks to David Wang for his outstanding engineering support on this project. We are also grateful to Modal, InnoMatrix, and Yotta Labs for providing the compute resources used to train this draft model.

Citation

If you find DFlash useful, please cite our work. To share feedback on DFlash or request new model support, please fill out this form: DFlash Feedback.

@article{chen2026dflash,
  title   = {{DFlash: Block Diffusion for Flash Speculative Decoding}},
  author  = {Chen, Jian and Liang, Yesheng and Liu, Zhijian},
  journal = {arXiv preprint arXiv:2602.06036},
  year    = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
DFlashDraftModel
Ревизия весов
e2db14d

0 моделей