/ Модель

Характеристики

Лицензия
MIT
Библиотека
transformers
Опубликована
6 мая 2026

Kimi-K2.6-DFlash

Генерация текстаТекст → текст

Черновая диффузионная языковая модель для ускорения генерации Kimi-K2.6 методом speculative decoding DFlash.

0скачиваний за 30 дней19лайковвеса обновлены10 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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-K2.6-DFlash — компонент чернового предсказания для метода speculative decoding DFlash, представленный разработчиками модели Kimi. Он использует компактную диффузионную языковую модель с блочной генерацией, чтобы параллельно предлагать токены целевой модели и ускорять её вывод. Модель предназначена для совместной работы с moonshotai/Kimi-K2.6 и не является самостоятельной целевой моделью для генерации ответов.

В README приведены результаты принятия черновых токенов на GSM8K, Math500 и HumanEval, а также показатели пропускной способности в SGLang. Для длинного контекста и агентных сценариев описана поддержка скользящего окна внимания настройкой размера окна черновика. Репозиторий содержит веса Safetensors и использует библиотеку Transformers; лицензия — MIT. Для применения требуется целевая модель Kimi-K2.6 и среда, поддерживающая DFlash speculative decoding.

Сценарии применения

  • ускорение вывода целевой модели Kimi-K2.6
  • параллельное черновое предсказание токенов при генерации текста
  • ускорение решения математических задач при генерации
  • ускорение генерации кода целевой моделью

Ограничения

Модель является только компонентом чернового предсказания и требует совместного использования с moonshotai/Kimi-K2.6 и поддерживающей DFlash средой; сама по себе она не предназначена для генерации конечных ответов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Kimi-K2.6-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-K2.6.

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-K2.6 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-K2.6 \
    --speculative-algorithm DFLASH \
    --speculative-draft-model-path z-lab/Kimi-K2.6-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-K2.6",
    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
GSM8K4.9
Math5004.9
HumanEval4.8
MBPP4.3
MT-Bench3.6

Throughput

DatasetC=32
GSM8K2577
Math5002222
HumanEval2222
MBPP2800
MT-Bench1719

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

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
3401c5c

0 моделей