/ Модель

Характеристики

Контекст
131 072 токена
Параметры
1,3 млрд
Лицензия
MIT
Архитектура
qwen3 · dense
Библиотека
transformers
Опубликована
26 фев 2026

gpt-oss-120b-DFlash

Генерация текстаТекст → текст3 профессии

Компактная модель-черновик DFlash предлагает блоки токенов для speculative decoding, ускоряя генерацию текста целевой моделью openai/gpt-oss-120b.

22 626скачиваний за 30 дней10лайковвеса обновлены7 апр 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

gpt-oss-120b-DFlash — модель-черновик для ускорения генерации текста методом speculative decoding, разработанная авторами DFlash. Она использует лёгкую блочную диффузионную архитектуру и предназначена для совместной работы с целевой моделью openai/gpt-oss-120b: черновик параллельно предлагает блоки токенов, которые целевая модель проверяет. В README указано 0,8 млрд параметров, тогда как метаданные репозитория сообщают 1,3 млрд; архитектура в метаданных обозначена как DFlashDraftModel на базе семейства Qwen3. Для репозитория указан контекст 131 072 токена.

Модель обучена на 800 тысячах примеров из Nemotron-Post-Training-Dataset-v2 и evol-codealpaca-v1; ответы в обучающих примерах были заново сгенерированы целевой моделью. В опубликованных оценках на GSM8K, Math500, HumanEval, MBPP и MT-Bench показано ускорение генерации при использовании SGLang; измерения проведены на одном GPU H200, поэтому результаты зависят от оборудования, настроек и целевой модели. Это вспомогательная модель для ускорения инференса, а не самостоятельная замена целевой модели. Репозиторий распространяется по лицензии MIT.

Сценарии применения

  • ускорение инференса openai/gpt-oss-120b через speculative decoding
  • ускорение генерации ответов на математические задачи
  • ускорение генерации кода при решении задач HumanEval и MBPP
  • снижение задержки текстовой генерации в сервере на SGLang

Ограничения

Модель предназначена для совместной работы с openai/gpt-oss-120b и не является самостоятельной целевой моделью. Заявленные ускорения измерены на одном H200 с SGLang и могут отличаться при других конфигурациях; README и метаданные также расходятся в оценке числа параметров.

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

gpt-oss-120b-DFlash

Paper | GitHub | Blog

DFlash is a novel speculative decoding method that utilizes a lightweight block diffusion model for drafting. It enables efficient, high-quality parallel drafting that pushes the limits of inference speed.

This model serves as the drafter component and contains 0.8B parameters. It must be used in conjunction with the target model openai/gpt-oss-120b.

📊 Training Data

gpt-oss-120b-DFlash is trained on 800K samples, drawn from:

For all samples, the response portion was regenerated using the target model openai/gpt-oss-120b.

🚀 Quick Start

SGLang

Installation

uv pip install "git+https://github.com/sgl-project/sglang.git@refs/pull/20547/head#subdirectory=python"

Launch Server

# 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 openai/gpt-oss-120b \
    --speculative-algorithm DFLASH \
    --speculative-draft-model-path z-lab/gpt-oss-120b-DFlash \
    --tp-size 1 \
    --dtype bfloat16 \
    --attention-backend fa3 \
    --mem-fraction-static 0.75 \
    --trust-remote-code

Usage

from openai import OpenAI

client = OpenAI(base_url="http://localhost:30000/v1", api_key="EMPTY")

response = client.chat.completions.create(
    model="openai/gpt-oss-120b",
    messages=[{"role": "user", "content": "Write a quicksort in Python."}],
    max_tokens=2048,
    temperature=0.0,
)
print(response.choices[0].message.content)

vLLM

Installation

uv pip install vllm
uv pip install -U vllm --torch-backend=auto --extra-index-url https://wheels.vllm.ai/nightly

Launch Server

vllm serve openai/gpt-oss-120b \
  --speculative-config '{"method": "dflash", "model": "z-lab/gpt-oss-120b-DFlash", "num_speculative_tokens": 9}' \
  --attention-backend flash_attn \
  --max-num-batched-tokens 32768

Usage

from openai import OpenAI

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

response = client.chat.completions.create(
    model="openai/gpt-oss-120b",
    messages=[{"role": "user", "content": "Write a quicksort in Python."}],
    max_tokens=2048,
    temperature=0.0,
)
print(response.choices[0].message.content)

Evaluation

The draft model is trained with a block size of 10. During evaluation, we use three settings:

  • Block size = 4 (3 draft tokens)
  • Block size = 6 (5 draft tokens)
  • Block size = 10 (9 draft tokens)

All experiments are conducted using SGLang on a single H200 GPU.

The reported speedups are end-to-end speedups, including prefill time. The pure decoding speedup is higher.

For all tasks, the reasoning effort is set to medium. Using low reasoning effort would further increase the acceptance length.

Acceptance Length

TaskBlock Size = 4Block Size = 6Block Size = 10
GSM8K3.34.35.3
Math5003.34.35.4
HumanEval3.13.84.4
MBPP3.13.94.6
MT-Bench2.73.33.7

Speedup

GSM8K
ConcurrencyBlock Size = 4Block Size = 10
11.3×1.8×
81.2×1.6×
161.3×1.6×
321.2×1.5×
641.2×1.5×
Math500
ConcurrencyBlock Size = 4Block Size = 10
11.5×1.9×
81.4×1.7×
161.5×1.6×
321.4×1.5×
641.4×1.5×
HumanEval
ConcurrencyBlock Size = 4Block Size = 10
11.3×1.7×
81.4×1.7×
161.4×1.8×
321.5×1.7×
641.4×1.5×
MBPP
ConcurrencyBlock Size = 4Block Size = 10
11.4×1.8×
81.5×1.7×
161.5×1.8×
321.6×1.8×
641.6×1.6×
MT-Bench
ConcurrencyBlock Size = 4Block Size = 10
11.3×1.3×
81.2×1.3×
161.3×1.3×
321.4×1.3×
641.3×1.2×

Acknowledgement

We are grateful to Yotta Labs for their compute support in training this draft model.

Citation

If you find DFlash useful for your research or applications, please cite our project.

@misc{chen2026dflash,
  title         = {DFlash: Block Diffusion for Flash Speculative Decoding},
  author        = {Chen, Jian and Liang, Yesheng and Liu, Zhijian},
  year          = {2026},
  eprint        = {2602.06036},
  archivePrefix = {arXiv},
  primaryClass  = {cs.CL},
  url           = {https://arxiv.org/abs/2602.06036}
}

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
1278df3

0 моделей