/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,2 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Базовая модель
Qwen3.5-9B
Библиотека
transformers
Опубликована
5 мар 2026

Qwen3.5-9B-DFlash

Генерация текстаТекст → текст3 профессии

Черновая модель DFlash на базе Qwen3.5-9B, ускоряющая генерацию целевой модели через спекулятивное декодирование.

6 379скачиваний 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

Qwen3.5-9B-DFlash — черновая модель для спекулятивного декодирования, совместно переобученная Z-Lab и Modal на основе Qwen/Qwen3.5-9B. Это не самостоятельная языковая модель: её подключают к целевой модели Qwen3.5-9B в совместимом сервере вывода, например SGLang.

Модель использует облегчённый блоковый диффузионный черновик, который параллельно предлагает несколько токенов, а целевая модель проверяет предложения. Такой режим повышает пропускную способность генерации, сохраняя распределение выходов целевой модели. Архитектура — DFlashDraftModel; в репозитории указаны веса safetensors и 2,2 млрд параметров. Карточка сообщает о переобучении с длиной последовательности 40 тыс. токенов и скользящим оконным вниманием; метаданные указывают нативный контекст 262 144 токена.

Модель предназначена для ускорения обслуживания запросов к Qwen3.5-9B, в том числе задач рассуждений и программирования, на которых авторы проводили тесты. В опубликованных измерениях на одном NVIDIA B200 прирост скорости достигал 5,01× при параллелизме 1 и 2,58× при параллелизме 32; результаты зависят от нагрузки и конфигурации оборудования. Для работы требуется целевая модель и сервер с поддержкой DFlash; README описывает интеграцию с SGLang и отмечает, что поддержка vLLM ещё не готова к слиянию. Лицензия — Apache-2.0.

Сценарии применения

  • ускорение генерации ответов Qwen3.5-9B в сервере вывода
  • повышение пропускной способности сервиса диалоговой модели
  • ускорение генерации решений математических задач
  • ускорение генерации кода целевой моделью Qwen3.5-9B

Ограничения

Не работает как самостоятельная языковая модель: требуется целевая Qwen/Qwen3.5-9B и сервер с поддержкой DFlash. Заявленные ускорения измерены на NVIDIA B200 с конкретной конфигурацией SGLang и не гарантируют такой же прирост 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

Qwen3.5-9B-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/Qwen3.5-9B. 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/Qwen3.5-9B \
  --trust-remote-code \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path z-lab/Qwen3.5-9B-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 5.01x speedup at concurrency 1 and 2.58x 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
gsm8k245.2 (1.00x)537.7 (2.19x)609.8 (2.49x)573.4 (2.34x)890.7 (3.63x)435.5 (1.78x)1027.3 (4.19x)
math500244.6 (1.00x)558.3 (2.28x)636.3 (2.60x)617.3 (2.52x)987.6 (4.04x)485.3 (1.98x)1225.7 (5.01x)
humaneval243.4 (1.00x)537.6 (2.21x)633.2 (2.60x)586.9 (2.41x)959.5 (3.94x)447.6 (1.84x)1195.8 (4.91x)
mbpp244.7 (1.00x)526.4 (2.15x)624.4 (2.55x)543.6 (2.22x)935.7 (3.82x)403.6 (1.65x)1092.6 (4.46x)
mt-bench243.7 (1.00x)501.7 (2.06x)560.2 (2.30x)494.6 (2.03x)757.5 (3.11x)368.0 (1.51x)834.3 (3.42x)

Concurrency 32

WorkloadBaselineMTP steps=3DFlash block=4MTP steps=7DFlash block=8MTP steps=15DFlash block=16
gsm8k5837.6 (1.00x)10421.0 (1.79x)11882.9 (2.04x)10132.5 (1.74x)13718.0 (2.35x)8332.8 (1.43x)11019.7 (1.89x)
math5005885.7 (1.00x)11124.9 (1.89x)12534.0 (2.13x)11213.3 (1.91x)15198.3 (2.58x)7785.0 (1.32x)13227.4 (2.25x)
humaneval5513.0 (1.00x)9645.9 (1.75x)11882.7 (2.16x)9701.0 (1.76x)14229.9 (2.58x)6901.7 (1.25x)12406.1 (2.25x)
mbpp5538.8 (1.00x)9116.4 (1.65x)11561.2 (2.09x)8701.6 (1.57x)13460.3 (2.43x)6220.5 (1.12x)11338.9 (2.05x)
mt-bench5491.7 (1.00x)9135.0 (1.66x)10072.2 (1.83x)8436.9 (1.54x)10718.2 (1.95x)5917.8 (1.08x)8495.7 (1.55x)

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
gsm8k3.4643.4525.2765.4006.3886.949
math5003.5413.5555.4665.7576.7287.721
humaneval3.4933.5715.3265.7986.3997.927
mbpp3.3383.4544.7905.3765.5086.820
mt-bench3.2293.1934.5514.6065.4385.716

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
5fc3b3d

0 моделей