/ Модель

Характеристики

Контекст
262 144 токена
Параметры
2,6 млрд
Лицензия
Apache 2.0
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
30 апр 2026

gemma-4-31B-it-DFlash

Генерация текстаТекст → текст3 профессии

Вспомогательная модель DFlash, которая ускоряет генерацию текста моделью Google Gemma 4 31B Instruct за счёт спекулятивного декодирования.

16 727скачиваний за 30 дней112лайковвеса обновлены8 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-4-31B-it-DFlash — вспомогательная модель-черновик DFlash для ускорения генерации текста базовой моделью google/gemma-4-31B-it. Она использует блочную диффузию, чтобы предлагать несколько токенов параллельно в рамках спекулятивного декодирования; для работы её необходимо подключить к указанной базовой модели. В метаданных указаны плотная архитектура семейства Qwen3, класс DFlashDraftModel, размер 2,6 млрд параметров и контекст 262 144 токена. Модель рассчитана на интеграцию с Transformers и серверными движками vLLM или SGLang; README приводит результаты бенчмарков с ускорением до 5,8 раза при concurrency 1 на одном GPU NVIDIA B300, что зависит от сценария и конфигурации.

Это не самостоятельная чат-модель: её назначение — ускорять вывод Gemma 4 31B Instruct посредством спекулятивного декодирования. README указывает лицензию Apache-2.0. Для vLLM на момент карточки требовалась сборка из pull request с поддержкой Gemma 4 DFlash; приведённые измерения производительности не гарантируют такого же ускорения на другом оборудовании или нагрузке.

Сценарии применения

  • Ускорение генерации ответов Gemma 4 31B Instruct
  • Параллельное черновое предсказание токенов при спекулятивном декодировании
  • Снижение задержки текстовой генерации в совместимом сервере vLLM
  • Ускорение вывода Gemma 4 через SGLang

Ограничения

Модель требует совместного использования с google/gemma-4-31B-it и поддерживающего DFlash серверного движка, поэтому не предназначена для самостоятельной генерации. Результаты ускорения зависят от оборудования и нагрузки; README отмечает, что на момент публикации поддержка Gemma 4 DFlash ещё не была включена в основную версию vLLM.

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-4-31B-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-4-31B-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-4-31B-it \
  --speculative-config '{"method": "dflash", "model": "z-lab/gemma-4-31B-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-4-31B-it \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path z-lab/gemma-4-31B-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-4-31B-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 5.8x speedup at concurrency 1.

Generated tokens/sec (speedup vs. autoregressive baseline)

Block Size = 16

TaskConcurrencyARDFlash
Math500177447 (5.8x)
85112650 (5.2x)
3213084962 (3.8x)
GSM8K178408 (5.3x)
85202321 (4.5x)
3213824447 (3.2x)
HumanEval176420 (5.6x)
84942389 (4.8x)
3211454139 (3.6x)
MBPP179343 (4.4x)
85352036 (3.8x)
3213893636 (2.6x)
MT-Bench179236 (3.0x)
85031334 (2.7x)
3211772257 (1.9x)

Acceptance Length

Taskc1c8c32
Math5008.598.598.62
GSM8K7.537.507.52
HumanEval8.007.897.96
MBPP6.136.136.14
MT-Bench4.234.194.19

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
eabd648

0 моделей