/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3.8-27B
Библиотека
llama.cpp
Опубликована
18 авг 2026

Qwen3.8-27B-DFlash2-GGUF

Генерация текстаТекст → текст3 профессии

Qwen3.8-27B-DFlash2-GGUF — это набор конвертированных форматов GGUF черновой модели DFlash 2, разработанной Inco AI для ускоренного спекулятивного декодирования базовой модели Qwen/Qwen3.8-27B.

362 тыс.скачиваний за 30 дней155лайковвеса обновлены24 авг 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

Репозиторий поддерживается z-lab и предназначен для работы с llama.cpp. Модель не является самостоятельной языковой моделью: она генерирует черновой блок токенов, который затем проверяется целевой моделью Qwen3.8-27B.

DFlash 2 использует архитектуру блочной диффузии: предсказывает несколько токенов параллельно, сохраняет наиболее вероятных кандидатов и выбирает согласованный путь с помощью лёгкого селектора. Две динамические свёртки в основной части модели помогают сохранять качество прогнозов к концу блока. Указано, что жадная генерация совпадает с выводом целевой модели, а при sampling сохраняется её распределение. Доступны варианты BF16 размером 3,8 ГБ, Q8_0 размером 2,0 ГБ и Q4_K_M размером 1,1 ГБ; заявленная acceptance length в тесте GSM8K составляет 5,13–5,39 токена на шаг проверки.

Модель предназначена для серверов спекулятивного декодирования и может повысить эффективность генерации при использовании совместимой версии llama.cpp с поддержкой DFlash 2. README не сообщает отдельные сведения о языках, длине контекста, мультимодальности или самостоятельных задачах базовой модели, поэтому эти характеристики нельзя определить по представленным данным. Распространение указано по лицензии Apache-2.0.

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

Qwen3.8-27B-DFlash2-GGUF

Blog | GitHub

This repository contains GGUF conversions of incoai/Qwen3.8-27B-DFlash2, the DFlash 2 draft model for Qwen/Qwen3.8-27B. It is not a standalone language model: it runs inside a speculative decoding server and drafts tokens for the target model to verify. This repository is a mirror of incoai/Qwen3.8-27B-DFlash2-GGUF.

DFlash 2 is a block-diffusion drafter for speculative decoding. It predicts a whole block of tokens in a single pass and keeps the top candidates at every position. A lightweight selector then traces one coherent path through them. Two-tap dynamic convolutions in the backbone keep the draft from decaying toward the end of the block. Decoding is lossless: greedy output matches the target model exactly, and sampling preserves its distribution.

FileSize
Qwen3.8-27B-DFlash2-Q4_K_M.gguf1.1 GB
Qwen3.8-27B-DFlash2-Q8_0.gguf2.0 GB
Qwen3.8-27B-DFlash2-BF16.gguf3.8 GB

Quick Start

Build llama.cpp with DFlash 2 support (PR #27342):

git clone https://github.com/ggml-org/llama.cpp.git
cd llama.cpp
git fetch origin pull/27342/head:pr-27342
git switch pr-27342

# NVIDIA CUDA
cmake -B build -DCMAKE_BUILD_TYPE=Release -DGGML_CUDA=ON
cmake --build build -j

# Apple Silicon
cmake -B build -DCMAKE_BUILD_TYPE=Release -DGGML_METAL=ON
cmake --build build -j

Then serve:

./build/bin/llama-server \
  -hf ggml-org/Qwen3.8-27B-GGUF:Q4_K_M \
  -hfd incoai/Qwen3.8-27B-DFlash2-GGUF:Q4_K_M \
  --spec-type draft-dflash \
  --spec-draft-n-max 7

See the blog post for other engines and more details.

Evaluation

  • Target: ggml-org/Qwen3.8-27B-GGUF, Q4_K_M
  • Sampling: Qwen3.8's officially recommended parameters (temperature 1.0, top-p 0.95, top-k 20), with xhigh reasoning effort
  • Maximum new tokens: 2048
  • Prompts: the first eight GSM8K test examples

Acceptance Length

Acceptance length is the per-request mean of completion tokens divided by verification steps. Higher is better.

Draft GGUFAcceptance Length
BF165.28
Q8_05.13
Q4_K_M5.39

Full evaluations of the base checkpoint are on the main model card.

Citation

If you find DFlash 2 useful, please cite:

@misc{inco2026dflash2,
  title  = {{DFlash 2: Keep Drafting Parallel}},
  author = {{Inco AI}},
  year   = {2026},
  month  = {August},
  url    = {https://inco.ai/blog/dflash2/}
}

Please also cite the original DFlash paper:

@inproceedings{chen2026dflash,
  title     = {{DFlash: Block Diffusion for Flash Speculative Decoding}},
  author    = {Chen, Jian and Liang, Yesheng and Liu, Zhijian},
  booktitle = {International Conference on Machine Learning (ICML)},
  year      = {2026}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

llama.cpp

Нельзя запустить

GGUF-модель ждёт проверки: нужно выбрать файл кванта под доступные GPU.

Ревизия весов
2d9571f

0 моделей