/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,2 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3.5-397B-A17B
Библиотека
transformers
Опубликована
15 июн 2026

Qwen3.5-397B-A17B-DFlash

Генерация текстаТекст → текст3 профессии

Черновая модель DFlash для ускорения генерации Qwen3.5-397B-A17B посредством спекулятивного декодирования на совместимом сервере инференса.

309скачиваний за 30 дней10лайковвеса обновлены15 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

Qwen3.5-397B-A17B-DFlash — черновая модель для спекулятивного декодирования, выпущенная Z-Lab совместно с Modal и SGLang. Это не самостоятельная языковая модель: её используют вместе с целевой моделью Qwen/Qwen3.5-397B-A17B в сервере инференса, поддерживающем DFlash.

Модель на основе лёгкой блочной диффузии параллельно предлагает несколько токенов, которые затем проверяет целевая модель. Такой режим предназначен для ускорения генерации при сохранении распределения выходов целевой модели. В метаданных указаны архитектура DFlashDraftModel, 2,2 млрд параметров и контекст 262 144 токена; файлы представлены в safetensors. В README описаны тесты на задачах математики, программирования и диалога, где скорость генерации в отдельных конфигурациях была выше базового авторегрессионного режима и встроенного MTP-пути Qwen.

Для работы нужны целевая модель Qwen/Qwen3.5-397B-A17B и совместимый сервер, например SGLang с поддержкой DFlash. Производительность зависит от конфигурации сервера и размера блока; приведённые результаты получены на 8 GPU NVIDIA B200. Лицензия — Apache-2.0.

Сценарии применения

  • ускорение генерации ответов Qwen3.5 на сервере инференса
  • ускорение генерации решений математических задач
  • ускорение генерации кода при использовании Qwen3.5
  • повышение пропускной способности сервиса с непрерывным пакетированием запросов

Ограничения

Модель не работает самостоятельно: требуется целевая Qwen/Qwen3.5-397B-A17B и сервер с поддержкой DFlash. Приведённые показатели производительности получены на конкретной конфигурации SGLang и 8 GPU NVIDIA B200 и могут отличаться в других условиях.

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

Qwen3.5-397B-A17B-DFlash

Paper | Github | Blog

This is a joint release collaboration between Z-Lab, Modal, and SGLang. The draft model is mirrored across the following Hugging Face repositories:

This repository contains a DFlash draft model for Qwen/Qwen3.5-397B-A17B. 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

DFlash serving requires a recent SGLang build. We recommend installing SGLang from a commit at or after ec36dde58083aca8f26c3740332498a11a06debf, which includes DFlash v2 overlap scheduling, DFlash sliding-window draft attention, and the required FlashInfer integration.

pip install -U \
  "git+https://github.com/sgl-project/sglang.git@ec36dde58083aca8f26c3740332498a11a06debf#subdirectory=python" \
  transformers hf_xet

For production serving, use a CUDA image with Blackwell support, such as lmsysorg/sglang:v0.5.13-cu130, and install the pinned SGLang commit inside the image.

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/Qwen3.5-397B-A17B \
  --trust-remote-code \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path z-lab/Qwen3.5-397B-A17B-DFlash \
  --speculative-dflash-block-size 8 \
  --speculative-draft-attention-backend fa4 \
  --attention-backend trtllm_mha \
  --linear-attn-prefill-backend triton \
  --linear-attn-decode-backend flashinfer \
  --mamba-scheduler-strategy extra_buffer \
  --tp-size 8 \
  --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 the best concurrency-1 throughput in most workloads.

Benchmark Results

We benchmarked DFlash against the autoregressive baseline and Qwen3.5's built-in MTP draft path. DFlash reaches up to 4.31x speedup at concurrency 1 and 2.77x at concurrency 32. Across the benchmark suite, DFlash delivers higher throughput than MTP at every tested setting.

Setup

  • Runtime: SGLang on 8x NVIDIA B200 GPUs, tensor parallel size 8, bfloat16
  • Backends: trtllm_mha target attention, fa4 DFlash draft attention, flashinfer linear attention
  • 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

For reproduction, the evaluation scripts, Modal runner, runtime patches, and raw benchmark outputs are included under benchmark/.

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
gsm8k204.6 (1.00x)484.5 (2.37x)530.0 (2.59x)536.7 (2.62x)689.0 (3.37x)439.2 (2.15x)711.3 (3.48x)
math500204.4 (1.00x)505.2 (2.47x)551.3 (2.70x)589.4 (2.88x)762.6 (3.73x)499.8 (2.44x)831.9 (4.07x)
humaneval202.9 (1.00x)483.0 (2.38x)543.6 (2.68x)557.9 (2.75x)752.5 (3.71x)480.5 (2.37x)874.6 (4.31x)
mbpp204.6 (1.00x)487.4 (2.38x)550.3 (2.69x)543.7 (2.66x)751.2 (3.67x)445.6 (2.18x)807.8 (3.95x)
mt-bench202.6 (1.00x)442.9 (2.19x)473.6 (2.34x)441.5 (2.18x)545.9 (2.69x)338.0 (1.67x)515.3 (2.54x)

Concurrency 32

WorkloadBaselineMTP steps=3DFlash block=4MTP steps=7DFlash block=8MTP steps=15DFlash block=16
gsm8k2597.7 (1.00x)4462.3 (1.72x)5078.0 (1.95x)4902.9 (1.89x)6158.9 (2.37x)4079.5 (1.57x)5648.8 (2.17x)
math5002615.5 (1.00x)4838.6 (1.85x)5318.6 (2.03x)5601.6 (2.14x)6910.5 (2.64x)4855.0 (1.86x)6857.8 (2.62x)
humaneval2452.7 (1.00x)3838.1 (1.56x)5081.4 (2.07x)4347.4 (1.77x)6666.0 (2.72x)3917.2 (1.60x)6783.7 (2.77x)
mbpp2582.3 (1.00x)4129.8 (1.60x)5265.7 (2.04x)4461.0 (1.73x)6681.4 (2.59x)3783.7 (1.47x)6344.1 (2.46x)
mt-bench2537.3 (1.00x)4024.6 (1.59x)4425.3 (1.74x)3991.7 (1.57x)4763.2 (1.88x)3100.3 (1.22x)4016.0 (1.58x)

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
gsm8k3.5783.5485.6125.7387.0067.696
math5003.6363.6225.8106.0037.2948.212
humaneval3.6433.6975.8936.2927.5419.344
mbpp3.5323.5885.3575.8606.3987.801
mt-bench3.2443.1884.5674.5845.2565.523

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
2c71e1b

0 моделей