/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
transformers
Опубликована
9 мая 2026

MiniMax-M2.7-DFlash

Генерация текстаТекст → текст

Черновая блочная диффузионная модель DFlash предлагает токены параллельно, ускоряя генерацию текста основной моделью MiniMax-M2.7.

0скачиваний за 30 дней28лайковвеса обновлены25 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

MiniMax-M2.7-DFlash — вспомогательная модель-черновик, разработанная для метода спекулятивного декодирования DFlash и предназначенная для совместного использования с MiniMaxAI/MiniMax-M2.7. Она использует лёгкую блочную диффузионную модель, чтобы параллельно предлагать несколько токенов; основная модель проверяет эти предложения при генерации текста.

Модель ориентирована на ускорение вывода MiniMax-M2.7 в vLLM или SGLang. В README приведены результаты пропускной способности и длины принятых блоков на задачах Math500, GSM8K и HumanEval при запуске на четырёх NVIDIA B200. Файлы модели представлены в формате safetensors. Указана лицензия other, поэтому конкретные условия использования следует проверять в карточке модели и у разработчика.

Сценарии применения

  • ускорение вывода MiniMax-M2.7 через спекулятивное декодирование
  • ускорение генерации ответов на математические задачи
  • ускорение решения задач GSM8K
  • ускорение генерации кода для задач HumanEval

Ограничения

Модель является черновиком для спекулятивного декодирования и требует совместного использования с MiniMaxAI/MiniMax-M2.7; она не предназначена как самостоятельная основная модель. В метаданных указана лицензия other, поэтому перед применением нужно проверить её условия.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MiniMax-M2.7-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-M2.7.

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-M2.7 \
  --tp-size 4 \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path z-lab/MiniMax-M2.7-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-M2.7",
    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
Math5001331.12
324422.52
GSM8K1304.07
324202.09
HumanEval1333.44
324394.23
MT-Bench1350.84
324549.75

Acceptance Length

Taskc1c32
Math5003.5613.658
GSM8K3.4813.586
HumanEval3.6103.657
MT-Bench3.5503.624

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
2646b9e

0 моделей