/ Модель

Характеристики

Контекст
262 144 токена
Параметры
1,1 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
28 апр 2026

gemma-4-26B-A4B-it-DFlash

Генерация текстаТекст → текст3 профессии

Черновая DFlash-модель для ускорения генерации текста базовой моделью Gemma 4 посредством speculative decoding.

5 700скачиваний за 30 дней62лайкавеса обновлены9 мая 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

gemma-4-26B-A4B-it-DFlash — компактная модель-черновик DFlash для ускорения генерации текста базовой моделью google/gemma-4-26B-A4B-it. В методе speculative decoding лёгкая блоковая диффузионная модель параллельно предлагает несколько токенов, которые затем проверяет основная модель. По метаданным, модель содержит 1,1 млрд параметров, использует архитектуру Qwen3 DFlashDraftModel и распространяется в формате safetensors; библиотека для работы — Transformers. Указанная длина контекста — 262144 токена.

Модель предназначена для совместного использования с google/gemma-4-26B-A4B-it в серверных сценариях на vLLM или SGLang. В бенчмарках автор сообщает об ускорении до 3,7 раза при параллельной обработке восьми запросов; результаты приведены для одной NVIDIA B300 и конкретных настроек, поэтому производительность зависит от окружения и задачи. Это не самостоятельная чат-модель: она предлагает черновые токены для базовой модели. Лицензия — Apache-2.0.

Сценарии применения

  • ускорение генерации ответов Gemma 4 на сервере
  • ускорение пакетной генерации при параллельной обработке запросов
  • снижение задержки генерации в совместимой конфигурации vLLM
  • ускорение генерации кода базовой моделью Gemma 4
  • ускорение решения математических задач базовой моделью Gemma 4

Ограничения

Модель должна использоваться совместно с google/gemma-4-26B-A4B-it и сама по себе не предназначена для генерации ответов. Поддержка Gemma 4 DFlash в vLLM на момент публикации README требовала специальной сборки; заявленное ускорение измерено на NVIDIA B300 в конкретных 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

gemma-4-26B-A4B-it-DFlash

Paper | GitHub | Blog

DFlash is a speculative decoding method that uses a lightweight block diffusion model to draft multiple tokens in parallel. This is the drafter model, which must be paired with google/gemma-4-26B-A4B-it.

Quick Start

Installation

vLLM: until Gemma4 DFlash support is merged, install vLLM from PR #41703:

uv pip install -U --torch-backend=auto \
  "vllm @ git+https://github.com/vllm-project/vllm.git@refs/pull/41703/head"

SGLang:

uv pip install "git+https://github.com/sgl-project/sglang.git@refs/pull/23000/head#subdirectory=python"

Launch Server

vLLM:

vllm serve google/gemma-4-26B-A4B-it \
  --speculative-config '{"method": "dflash", "model": "z-lab/gemma-4-26B-A4B-it-DFlash", "num_speculative_tokens": 15, "attention_backend": "flash_attn"}' \
  --attention-backend triton_attn \
  --max-num-batched-tokens 32768 \
  --trust-remote-code

SGLang:

# Optional: enable schedule overlapping (experimental, may not be stable)
# export SGLANG_ENABLE_SPEC_V2=1
# export SGLANG_ENABLE_DFLASH_SPEC_V2=1
# export SGLANG_ENABLE_OVERLAP_PLAN_STREAM=1

python -m sglang.launch_server \
  --model-path google/gemma-4-26B-A4B-it \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path z-lab/gemma-4-26B-A4B-it-DFlash \
  --speculative-num-draft-tokens 16 \
  --tp-size 1 \
  --attention-backend triton \
  --speculative-draft-attention-backend fa4 \
  --trust-remote-code

Usage

For vLLM, use port 8000. For SGLang, use port 30000.

from openai import OpenAI

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")

response = client.chat.completions.create(
    model="google/gemma-4-26B-A4B-it",
    messages=[{"role": "user", "content": "Write a quicksort in Python."}],
    max_tokens=4096,
    temperature=0.0,
    extra_body={"chat_template_kwargs": {"enable_thinking": True}},
)
print(response.choices[0].message.content)

Benchmark Results

Setup: Single NVIDIA B300 GPU per server/run, vLLM, thinking enabled, max output length 4096, greedy decoding.

Throughput and Speedup

DFlash achieves up to 3.7x speedup at concurrency 8.

Generated tokens/sec (speedup vs. autoregressive baseline)

Block Size = 16

TaskConcurrencyARDFlash
Math5001259925 (3.6x)
812964837 (3.7x)
32323311435 (3.5x)
GSM8K1256825 (3.2x)
812174241 (3.5x)
32317410306 (3.2x)
HumanEval1246818 (3.3x)
811824240 (3.6x)
3228819150 (3.2x)
MBPP1272698 (2.6x)
812883387 (2.6x)
3229507898 (2.7x)
MT-Bench1272492 (1.8x)
811462259 (2.0x)
3221644829 (2.2x)

Acceptance Length

Taskc1c8c32
Math5008.618.558.60
GSM8K7.717.767.72
HumanEval7.807.877.83
MBPP6.095.996.03
MT-Bench4.334.334.24

Acknowledgements

Special thanks to David Wang for his outstanding engineering support on this project. We are also grateful to Modal, InnoMatrix, and Yotta Labs for providing the compute resources used to train this draft model.

Citation

If you find DFlash useful, please cite our work. To share feedback on DFlash or request new model support, please fill out this form: DFlash Feedback.

@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
77d4202

0 моделей