/ Модель

Характеристики

Контекст
262 144 токена
Параметры
798 млн
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3.5-35B-A3B
Библиотека
transformers
Опубликована
2 мар 2026

Qwen3.5-35B-A3B-DFlash

Генерация текстаТекст → текст3 профессии

Черновая модель DFlash для Qwen3.5-35B-A3B, ускоряющая серверную генерацию текста посредством спекулятивного декодирования.

4 717скачиваний за 30 дней47лайковвеса обновлены19 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

Qwen3.5-35B-A3B-DFlash — черновая модель DFlash, совместно переобученная Z-Lab и Modal для базовой модели Qwen/Qwen3.5-35B-A3B. Она не является самостоятельной языковой моделью: её подключают к целевой модели в сервере инференса со спекулятивным декодированием, например SGLang с поддержкой DFlash.

Модель использует облегчённый черновой блоковый диффузионный подход: параллельно предлагает несколько токенов, которые целевая модель проверяет. Это позволяет увеличить пропускную способность генерации, сохраняя распределение выходов целевой модели. В карточке указаны 798 млн параметров, контекст 262 144 токена и обучение на последовательностях длиной 40 000 токенов со скользящим вниманием. В тестах авторов на NVIDIA B200 ускорение достигало 3,71 раза при конкурентности 1 и 2,89 раза при конкурентности 32; показатели зависят от нагрузки и настроек.

Модель рассчитана на ускорение серверной генерации текста целевой моделью, включая задачи рассуждений и генерации кода, представленные в тестах GSM8K, MATH500 и HumanEval. Для работы нужны совместимая целевая модель и сервер с поддержкой DFlash; сама по себе эта модель текст не генерирует. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • ускорение генерации ответов моделью Qwen3.5 на сервере инференса
  • увеличение пропускной способности при параллельной генерации текста
  • ускорение решения математических задач целевой моделью
  • ускорение генерации кода целевой моделью

Ограничения

Модель не является самостоятельной: ей необходима целевая Qwen/Qwen3.5-35B-A3B и сервер инференса с поддержкой DFlash; README описывает поддержку SGLang, а поддержка vLLM на момент карточки ещё находилась в разработке. Заявленные ускорения получены в тестах авторов на одном NVIDIA B200 и могут отличаться на других конфигурациях и нагрузках.

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

Qwen3.5-35B-A3B-DFlash

Paper | Github | Blog

This DFlash draft model is a joint retrain from Z-Lab and Modal, trained with 40k sequence length and sliding-window attention for improved long-context performance. It is mirrored across the following Hugging Face repositories:

This repository contains a DFlash draft model for Qwen/Qwen3.5-35B-A3B. It is not a standalone language model. It is intended to be paired with the target model in a speculative decoding server.

DFlash uses a lightweight block diffusion draft model to propose multiple tokens in parallel. The target model verifies those proposals, improving serving throughput while preserving the target model's output distribution.

Quick Start

Installation

SGLang

Install a recent SGLang build with DFlash support:

uv pip install --upgrade "sglang[all]"

For best performance on Blackwell GPUs, use an SGLang build that includes DFlash, FA4/TRT-LLM attention, and FlashInfer support.

vLLM

For vLLM support, please refer to vllm-project/vllm#40898. We will update the PR to make it merge-ready soon.

Launch Server

This model should be used with an inference server that supports DFlash speculative decoding. An example SGLang deployment is:

export SGLANG_ENABLE_OVERLAP_PLAN_STREAM=1

python -m sglang.launch_server \
  --model-path Qwen/Qwen3.5-35B-A3B \
  --trust-remote-code \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path z-lab/Qwen3.5-35B-A3B-DFlash \
  --speculative-dflash-block-size 8 \
  --speculative-draft-attention-backend fa4 \
  --attention-backend trtllm_mha \
  --linear-attn-prefill-backend flashinfer \
  --linear-attn-decode-backend flashinfer \
  --mamba-scheduler-strategy extra_buffer \
  --tp-size 1 \
  --max-running-requests 32 \
  --cuda-graph-max-bs-decode 32 \
  --cuda-graph-backend-prefill tc_piecewise \
  --enable-flashinfer-allreduce-fusion \
  --mem-fraction-static 0.8 \
  --host 0.0.0.0 \
  --port 30000

Block size 8 is the recommended default for higher-concurrency serving. Block size 16 gives longer accept lengths and strong concurrency-1 throughput in most workloads.

Benchmark Results

We benchmarked DFlash against the autoregressive baseline and Qwen's built-in MTP draft path. DFlash reaches up to 3.71x speedup at concurrency 1 and 2.89x at concurrency 32. Across the benchmark suite, DFlash delivers higher throughput than MTP at every matched setting where both completed.

Setup

  • Runtime: SGLang on 1x NVIDIA B200 GPU, tensor parallel size 1, bfloat16
  • Backends: trtllm_mha target attention, fa4 DFlash draft attention, flashinfer linear-attention prefill and decode
  • Workloads: GSM8K, MATH500, HumanEval, MBPP, and MT-Bench with the Qwen chat template
  • Decoding: greedy, thinking enabled, max output length 4096 tokens
  • Measurement: 5 independent runs per configuration at concurrency 1 and 32 with continuous batching
  • Throughput: generated output tokens / wall-clock benchmark time, including prefill and scheduling
  • Accept length: completion_tokens / spec_verify_ct per generation turn, averaged across generation turns

Throughput and Speedup

Each cell is output tok/s (speedup). Bold marks the fastest speculative configuration in each row.

Concurrency 1

WorkloadBaselineMTP steps=3DFlash block=4MTP steps=7DFlash block=8MTP steps=15DFlash block=16
gsm8k310.0 (1.00x)622.5 (2.01x)695.9 (2.24x)652.8 (2.11x)905.1 (2.92x)508.7 (1.64x)939.2 (3.03x)
math500308.0 (1.00x)645.7 (2.10x)723.2 (2.35x)710.1 (2.31x)995.6 (3.23x)569.8 (1.85x)1096.1 (3.56x)
humaneval304.4 (1.00x)617.3 (2.03x)721.0 (2.37x)672.4 (2.21x)989.3 (3.25x)538.6 (1.77x)1128.1 (3.71x)
mbpp309.0 (1.00x)605.4 (1.96x)717.3 (2.32x)619.8 (2.01x)949.4 (3.07x)468.6 (1.52x)1006.7 (3.26x)
mt-bench307.9 (1.00x)571.5 (1.86x)630.2 (2.05x)555.8 (1.81x)736.0 (2.39x)407.3 (1.32x)727.1 (2.36x)

Concurrency 32

WorkloadBaselineMTP steps=3DFlash block=4MTP steps=7DFlash block=8MTP steps=15DFlash block=16
gsm8k3453.8 (1.00x)6298.1 (1.82x)7145.2 (2.07x)6953.7 (2.01x)8863.0 (2.57x)5730.2 (1.66x)8275.6 (2.40x)
math5003395.2 (1.00x)6679.7 (1.97x)7380.6 (2.17x)7771.4 (2.29x)9803.0 (2.89x)6632.1 (1.95x)9776.9 (2.88x)
humaneval3287.7 (1.00x)5628.9 (1.71x)7077.2 (2.15x)6293.7 (1.91x)9096.8 (2.77x)5152.8 (1.57x)9083.5 (2.76x)
mbpp3485.1 (1.00x)5549.7 (1.59x)7203.1 (2.07x)5925.6 (1.70x)9164.9 (2.63x)4849.5 (1.39x)8758.6 (2.51x)
mt-bench3232.8 (1.00x)5651.5 (1.75x)6094.6 (1.89x)5920.9 (1.83x)6904.0 (2.14x)4603.6 (1.42x)6109.7 (1.89x)

Accept Length

Mean accept length at concurrency 1. Bold marks the higher value in each matched MTP/DFlash pair.

WorkloadMTP steps=3DFlash block=4MTP steps=7DFlash block=8MTP steps=15DFlash block=16
gsm8k3.5043.4585.4025.4046.6056.983
math5003.5823.5465.6075.7216.9757.594
humaneval3.5473.6025.5615.9006.8888.218
mbpp3.3843.4514.9045.3175.6726.738
mt-bench3.2093.1374.4944.4325.2385.341

Citation

If you find DFlash useful, please cite the original paper:

@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
52cb554

0 моделей