/ Модель

Характеристики

Контекст
196 608 токенов
Параметры
1 млрд
Лицензия
Своя лицензия
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
27 апр 2026

MiniMax-M2.5-DFlash

Генерация текстаТекст → текст3 профессии

Модель-черновик DFlash предлагает блоки токенов для спекулятивного декодирования и ускоряет генерацию основной моделью MiniMax-M2.5.

165скачиваний за 30 дней9лайковвеса обновлены25 июн 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

MiniMax-M2.5-DFlash — компактная модель-черновик для метода спекулятивного декодирования DFlash, представленного авторами проекта MiniMax. Она использует блочную диффузию, чтобы параллельно предлагать несколько токенов для проверки основной моделью MiniMaxAI/MiniMax-M2.5; сама по себе для обычной генерации текста не предназначена. В метаданных указаны плотная архитектура Qwen3, класс DFlashDraftModel, около 1 млрд параметров и контекст до 196 608 токенов.

Модель рассчитана на ускорение генерации в связке с целевой моделью через совместимые серверы vLLM или SGLang. В README приведены результаты пропускной способности и длины принятых блоков на задачах Math500, GSM8K и HumanEval; показатели получены на четырёх NVIDIA B200 и зависят от конфигурации и нагрузки.

Репозиторий содержит веса Safetensors. Лицензия обозначена как other, поэтому перед использованием следует проверить её условия. Для работы необходима совместимая основная модель MiniMax-M2.5 и поддержка DFlash в выбранном движке инференса.

Сценарии применения

  • ускорение генерации текста моделью MiniMax-M2.5
  • ускорение решения математических задач при декодировании
  • ускорение генерации кода основной моделью
  • пакетное предложение токенов для проверки при спекулятивном декодировании

Ограничения

Модель предназначена для использования как черновик в связке с MiniMaxAI/MiniMax-M2.5 и совместимым движком инференса, а не как самостоятельная модель для обычной генерации. Результаты скорости зависят от аппаратуры, движка и настроек; условия лицензии other требуют отдельной проверки.

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

MiniMax-M2.5-DFlash

Paper | GitHub | Blog

DFlash is a speculative decoding method that uses a lightweight block diffusion model to draft multiple tokens in parallel. This is the drafter model, which must be paired with MiniMaxAI/MiniMax-M2.5.

Quick Start

Installation

vLLM:

Check out vLLM issue #46105.

SGLang:

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

Launch Server

vLLM:

Check out vLLM issue #46105.

SGLang:

python -m sglang.launch_server \
  --model-path MiniMaxAI/MiniMax-M2.5 \
  --tp-size 4 \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path z-lab/MiniMax-M2.5-DFlash \
  --attention-backend trtllm_mha \
  --speculative-draft-attention-backend fa4 \
  --mem-fraction-static 0.8 \
  --trust-remote-code \
  --host 0.0.0.0 \
  --port 30000

Usage

For SGLang, use port 30000.

from openai import OpenAI

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

response = client.chat.completions.create(
    model="MiniMaxAI/MiniMax-M2.5",
    messages=[{"role": "user", "content": "Write a quicksort in Python."}],
    max_tokens=4096,
    temperature=0.0,
    extra_body={"chat_template_kwargs": {"enable_thinking": True}},
)
print(response.choices[0].message.content)

Benchmark Results

Setup: 4 NVIDIA B200 GPUs per server/run, SGLang, tensor parallel size 4, target attention backend trtllm_mha, draft attention backend fa4, thinking enabled, max output length 4096, greedy decoding. Concurrency 1 uses 128 prompts; concurrency 32 uses 1024 prompts.

Throughput

Generated tokens/sec

Block Size = 8

TaskConcurrencyDFlash
Math5001355.17
324619.18
GSM8K1347.84
324161.22
HumanEval1331.03
324329.96
MT-Bench1385.45
324658.84

Acceptance Length

Taskc1c32
Math5004.5034.516
GSM8K4.3424.338
HumanEval3.9233.979
MT-Bench4.3824.184

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
69fc97a

0 моделей