/ Модель

Характеристики

Контекст
262 144 токена
Параметры
1,2 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3.5-4B
Библиотека
transformers
Опубликована
5 мар 2026

Qwen3.5-4B-DFlash

Генерация текстаТекст → текст3 профессии

Черновая модель DFlash для спекулятивного декодирования Qwen3.5-4B, ускоряющая генерацию токенов при работе в совместимом сервере инференса.

7 054скачиваний за 30 дней44лайкавеса 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

Qwen3.5-4B-DFlash — черновая модель спекулятивного декодирования, совместно переобученная Z-Lab и Modal на базе Qwen/Qwen3.5-4B. Это не самостоятельная языковая модель: её подключают к целевой модели в совместимом сервере инференса, чтобы предлагать несколько токенов параллельно, а целевая модель проверяет предложения и сохраняет своё распределение выходов.

Модель использует лёгкий блочный диффузионный подход и скользящее окно внимания; в README указано обучение на последовательностях длиной 40 тысяч токенов. Метаданные указывают 1,2 млрд параметров и нативный контекст 262 144 токена. Она предназначена для ускорения обслуживания запросов к Qwen3.5-4B при спекулятивном декодировании; в тестах авторов на одной NVIDIA B200 с SGLang показано ускорение до 4,60 раза при параллелизме 1 и до 2,61 раза при параллелизме 32.

Для работы требуется целевая модель Qwen/Qwen3.5-4B и сервер с поддержкой DFlash; README описывает использование SGLang, а поддержку vLLM связывает с незавершённым pull request. Результаты производительности относятся к указанной конфигурации и наборам тестов и не гарантируют такого же ускорения на другом оборудовании или нагрузке. Лицензия — Apache-2.0.

Сценарии применения

  • ускорение инференса Qwen3.5-4B в SGLang
  • увеличение пропускной способности генерации текста при пакетной обработке запросов
  • ускорение ответов на математические задачи с сохранением выходного распределения целевой модели
  • ускорение генерации кода целевой моделью Qwen3.5-4B

Ограничения

Модель не работает самостоятельно: ей нужны целевая Qwen/Qwen3.5-4B и сервер с поддержкой DFlash. Заявленное ускорение измерено авторами на NVIDIA B200 с конкретной конфигурацией SGLang и может отличаться на других нагрузках и оборудовании.

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

Qwen3.5-4B-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/Qwen3.5-4B. 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/Qwen3.5-4B \
  --trust-remote-code \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path z-lab/Qwen3.5-4B-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 4.60x speedup at concurrency 1 and 2.61x 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
gsm8k356.0 (1.00x)739.3 (2.08x)859.6 (2.41x)772.0 (2.17x)1226.8 (3.45x)585.3 (1.64x)1387.4 (3.90x)
math500360.2 (1.00x)763.7 (2.12x)899.4 (2.50x)832.5 (2.31x)1355.7 (3.76x)645.1 (1.79x)1636.5 (4.54x)
humaneval355.8 (1.00x)739.7 (2.08x)892.2 (2.51x)803.0 (2.26x)1325.2 (3.72x)594.7 (1.67x)1634.9 (4.60x)
mbpp360.2 (1.00x)723.9 (2.01x)895.6 (2.49x)737.2 (2.05x)1314.9 (3.65x)557.4 (1.55x)1494.9 (4.15x)
mt-bench356.5 (1.00x)708.8 (1.99x)806.7 (2.26x)699.0 (1.96x)1085.3 (3.04x)528.7 (1.48x)1211.0 (3.40x)

Concurrency 32

WorkloadBaselineMTP steps=3DFlash block=4MTP steps=7DFlash block=8MTP steps=15DFlash block=16
gsm8k7501.6 (1.00x)12716.8 (1.70x)15015.4 (2.00x)12419.5 (1.66x)17613.7 (2.35x)8696.7 (1.16x)14203.5 (1.89x)
math5007573.5 (1.00x)13482.4 (1.78x)15876.2 (2.10x)13636.5 (1.80x)19759.4 (2.61x)9663.1 (1.28x)17060.5 (2.25x)
humaneval7286.1 (1.00x)12313.2 (1.69x)15284.3 (2.10x)12326.0 (1.69x)18792.5 (2.58x)9115.4 (1.25x)16492.0 (2.26x)
mbpp7065.9 (1.00x)11032.0 (1.56x)14641.6 (2.07x)10842.3 (1.53x)17908.0 (2.53x)7744.1 (1.10x)15427.4 (2.18x)
mt-bench6797.1 (1.00x)11514.5 (1.69x)12715.5 (1.87x)11155.8 (1.64x)14623.7 (2.15x)8045.7 (1.18x)12007.6 (1.77x)

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
gsm8k3.4223.4275.1335.2996.1756.748
math5003.5023.5285.3455.6506.4687.478
humaneval3.4483.5515.1935.6846.1477.719
mbpp3.2723.4184.6115.2365.3266.527
mt-bench3.2663.2344.6264.7045.6105.933

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
9a1996c

0 моделей