/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
1,5 млрд
Лицензия
MIT
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
5 фев 2026

LLaMA3.1-8B-Instruct-DFlash-UltraChat

Генерация текстаТекст → текст3 профессии

Черновая диффузионная модель DFlash предлагает продолжения для ускорения спекулятивного декодирования meta-llama/Llama-3.1-8B-Instruct.

46 369скачиваний за 30 дней4лайкавеса обновлены7 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

LLaMA3.1-8B-Instruct-DFlash-UltraChat — черновая модель для метода ускоренного спекулятивного декодирования DFlash. Она использует лёгкую диффузионную модель с блочной генерацией, чтобы параллельно предлагать продолжения целевой модели; для работы её необходимо использовать вместе с meta-llama/Llama-3.1-8B-Instruct. Модель разработана z-lab и обучена на UltraChat-200K и ShareGPT с ответами, заново сгенерированными базовой моделью.

В метаданных указаны архитектура DFlashDraftModel семейства Qwen3, 1,5 млрд параметров, формат safetensors и контекст до 40 960 токенов. Модель предназначена для ускорения генерации текста при инференсе, а не для самостоятельного диалога. README сообщает о сравнении с EAGLE-3 на GSM8K, HumanEval и Alpaca в SGLang на GPU B200, но приведённых данных недостаточно, чтобы подтвердить заявленное преимущество во всех сценариях. Лицензия — MIT.

Сценарии применения

  • Ускорение генерации ответов Llama 3.1 8B в SGLang
  • Параллельное черновое декодирование продолжений текста
  • Ускорение генерации при решении математических задач
  • Ускорение генерации кода
  • Ускорение ответов на общие пользовательские запросы

Ограничения

Модель является компонентом-черновиком и требует целевую meta-llama/Llama-3.1-8B-Instruct; самостоятельно как обычная чат-модель не предназначена для использования. Скорость ускорения зависит от сценария и оборудования, а приведённые в README таблицы неполны.

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

LLaMA3.1-8B-Instruct-DFlash-UltraChat

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 meta-llama/Llama-3.1-8B-Instruct.

📊 Training Data

LLaMA3.1-8B-Instruct-DFlash-UltraChat is trained on Ultrachat-200K and ShareGPT datasets, aiming to align with EAGLE-3 training data. The assistant reponses in the datasets are regenerated by meta-llama/Llama-3.1-8B-Instruct.

🚀 Quick Start

SGLang

Installation

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

Launch Server

# 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 meta-llama/Llama-3.1-8B-Instruct \
    --speculative-algorithm DFLASH \
    --speculative-draft-model-path z-lab/LLaMA3.1-8B-Instruct-DFlash-UltraChat \
    --tp-size 1 \
    --dtype bfloat16 \
    --attention-backend fa3 \
    --mem-fraction-static 0.75 \
    --trust-remote-code

Usage

from openai import OpenAI

client = OpenAI(base_url="http://localhost:30000/v1", api_key="EMPTY")

response = client.chat.completions.create(
    model="meta-llama/Llama-3.1-8B-Instruct",
    messages=[{"role": "user", "content": "Write a quicksort in Python."}],
    max_tokens=2048,
    temperature=0.0,
)
print(response.choices[0].message.content)

vLLM

Installation

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

Launch Server

vllm serve meta-llama/Llama-3.1-8B-Instruct \
  --speculative-config '{"method": "dflash", "model": "z-lab/LLaMA3.1-8B-Instruct-DFlash-UltraChat", "num_speculative_tokens": 9}' \
  --attention-backend flash_attn \
  --max-num-batched-tokens 32768

Usage

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")

response = client.chat.completions.create(
    model="meta-llama/Llama-3.1-8B-Instruct",
    messages=[{"role": "user", "content": "Write a quicksort in Python."}],
    max_tokens=2048,
    temperature=0.0,
)
print(response.choices[0].message.content)

Transformers

Installation

pip install transformers==4.57.3 torch==2.9.0 accelerate

Inference

from transformers import AutoModel, AutoModelForCausalLM, AutoTokenizer

model = AutoModel.from_pretrained(
    "z-lab/LLaMA3.1-8B-Instruct-DFlash-UltraChat", 
    trust_remote_code=True, 
    dtype="auto", 
    device_map="cuda:0"
).eval()

target = AutoModelForCausalLM.from_pretrained(
    "meta-llama/Llama-3.1-8B-Instruct", 
    dtype="auto", 
    device_map="cuda:0"
).eval()

tokenizer = AutoTokenizer.from_pretrained("meta-llama/Llama-3.1-8B-Instruct")
prompt = "How many positive whole-number divisors does 196 have?"
messages = [
    {"role": "user", "content": prompt}
]
text = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
)
model_inputs = tokenizer([text], return_tensors="pt").to(model.device)

generate_ids = model.spec_generate(
    input_ids=model_inputs["input_ids"], 
    max_new_tokens=2048, 
    temperature=0.0, 
    target=target, 
    stop_token_ids=[tokenizer.eos_token_id]
)

print(tokenizer.decode(generate_ids[0], skip_special_tokens=True))

Evaluation

DFlash consistently achieves higher speedups than the state-of-the-art speculative decoding method EAGLE-3. All experiments are conducted using SGLang on a single B200 GPU.

For EAGLE-3, we evaluate two speculative decoding configurations:

  • --speculative-num-steps 7, --speculative-eagle-topk 10, --speculative-num-draft-tokens 10
  • --speculative-num-steps 7, --speculative-eagle-topk 10, --speculative-num-draft-tokens 60, which is the official setting used in the EAGLE-3 paper.

For DFlash, we use a block size of 10 during speculation.

We compare against the EAGLE-3 checkpoint lmsys/sglang-EAGLE3-LLaMA3.1-Instruct-8B, which is the official EAGLE-3 checkpoint adapted for SGLang inference.

Both the DFlash and EAGLE-3 draft models are trained on the UltraChat-200K and ShareGPT datasets.

GSM8K

Method1481632Avg. τ
Baseline (TPS)249923173932455349—
EAGLE-3 (10)1.6×1.5×1.4×1.2×1.0×3.49
EAGLE-3 (60)1.9×1.6×1.3×0.9×0.6×4.55
DFlash (10)2.4×2.2×2.1×1.8×1.6×4.32

HumanEval

Method1481632Avg. τ
Baseline (TPS)245922177833365854—
EAGLE-3 (10)2.0×1.9×1.8×1.5×1.2×3.62
EAGLE-3 (60)2.0×1.7×1.3×0.9×0.6×4.65
DFlash (10)2.8×2.6×2.5×2.1×1.8×4.91

Alpaca

Method1481632Avg. τ
Baseline (TPS)245906174532375434—
EAGLE-3 (10)1.5×1.4×1.4×1.1×0.9×3.11
EAGLE-3 (60)1.8×1.5×1.2×0.8×0.5×4.07
DFlash (10)2.2×2.0×1.8×1.5×1.4×3.73

Acknowledgement

We are grateful to Yotta Labs for their compute support in training this draft model.

Citation

If you find DFlash useful for your research or applications, please cite our project.

@misc{chen2026dflash,
  title         = {DFlash: Block Diffusion for Flash Speculative Decoding},
  author        = {Chen, Jian and Liang, Yesheng and Liu, Zhijian},
  year          = {2026},
  eprint        = {2602.06036},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CL},
  url           = {https://arxiv.org/abs/2602.06036}
}

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
d3af30d

0 моделей