/ Модель

Характеристики

Контекст
262 144 токена
Параметры
689 млн
Лицензия
MIT
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
19 фев 2026

Qwen3-Coder-Next-DFlash

Генерация текстаТекст → текст3 профессии

Лёгкая модель-черновик DFlash предлагает блоки токенов для ускорения генерации кода основной моделью Qwen3-Coder-Next.

754скачиваний за 30 дней15лайковвеса 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

Qwen3-Coder-Next-DFlash — облегчённая модель-черновик от z-lab для метода спекулятивного декодирования DFlash. Она использует блочную диффузию, чтобы параллельно предлагать несколько токенов, которые затем проверяет и принимает основная модель Qwen/Qwen3-Coder-Next. Модель содержит 688,7 млн параметров, построена на архитектуре Qwen3 с классом DFlashDraftModel и рассчитана на контекст до 262 144 токенов.

Модель предназначена для ускорения генерации кода основной моделью в совместимых средах, включая vLLM и SGLang. В README приведены показатели длины принимаемого фрагмента на HumanEval, MBPP и LiveCodeBench; фактическое ускорение зависит от основной модели, среды запуска и запроса. Это черновик для спекулятивного декодирования, а не самостоятельная модель-ассистент. Лицензия — MIT.

Сценарии применения

  • Ускорение генерации кода с Qwen3-Coder-Next
  • Ускорение выполнения задач HumanEval
  • Ускорение генерации решений для MBPP
  • Ускорение генерации кода в сценариях LiveCodeBench
  • Спекулятивное декодирование кода в vLLM или SGLang

Ограничения

Модель предназначена для совместного использования с основной моделью Qwen/Qwen3-Coder-Next и поддерживающей DFlash средой, а не для самостоятельной генерации ответов. Приведённые показатели принятия токенов получены на конкретных бенчмарках и не гарантируют одинакового ускорения в других сценариях.

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

Qwen3-Coder-Next-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 Qwen/Qwen3-Coder-Next.

Quick Start

Installation

vLLM:

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

SGLang:

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

Launch Server

vLLM:

vllm serve Qwen/Qwen3-Coder-Next \
  --speculative-config '{"method": "dflash", "model": "z-lab/Qwen3-Coder-Next-DFlash", "num_speculative_tokens": 15}' \
  --attention-backend flash_attn \
  --max-num-batched-tokens 32768

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 Qwen/Qwen3-Coder-Next \
    --speculative-algorithm DFLASH \
    --speculative-draft-model-path z-lab/Qwen3-Coder-Next-DFlash \
    --speculative-num-draft-tokens 16 \
    --tp-size 1 \
    --attention-backend fa3 \
    --mem-fraction-static 0.75 \
    --mamba-scheduler-strategy extra_buffer \
    --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="Qwen/Qwen3-Coder-Next",
    messages=[{"role": "user", "content": "Write a quicksort in Python."}],
    max_tokens=4096,
    temperature=0.0
)
print(response.choices[0].message.content)

Acceptance Length

  • Max new tokens: 4096
  • Block size: 16 | Dataset | Accept Length | |-----------|---------------| | HumanEval | 7.25 | | MBPP | 5.50 | | LiveCodeBench | 5.50 |

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
6d741db

0 моделей