/ Модель

Характеристики

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

gpt-oss-20b-DFlash

Генерация текстаТекст → текст3 профессии

Компактная модель-черновик DFlash для ускорения генерации текста целевой моделью openai/gpt-oss-20b посредством спекулятивного декодирования.

1 209скачиваний за 30 дней26лайковвеса 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-20b-DFlash — компактная модель-черновик на основе архитектуры Qwen3, разработанная z-lab для метода ускорения генерации DFlash. Она предсказывает блоки черновых токенов, которые целевая модель проверяет параллельно, ускоряя инференс без замены целевой модели. Модель содержит около 1,3 млрд параметров по метаданным, использует формат safetensors и заявленный контекст до 131 072 токенов; в README размер указан как 0,8 млрд параметров. Её необходимо использовать совместно с openai/gpt-oss-20b.

Модель предназначена для ускорения генерации текста целевой моделью, включая задачи математики, программирования и диалогов. По данным README, обучение проведено на 800 тысячах примеров из Nemotron-Post-Training-Dataset-v2 и evol-codealpaca-v1, ответы в которых были заново сгенерированы целевой моделью. В описанной конфигурации DFlash использовался размер блока 8, то есть семь черновых токенов; авторы сообщают об ускорении примерно в 1,9–2,2 раза на тестах при заданных условиях, включая одну H200 и SGLang. Лицензия — MIT. Результаты зависят от целевой модели, нагрузки и конфигурации инференса; модель сама по себе не является полноценной заменой gpt-oss-20b.

Сценарии применения

  • ускорение инференса openai/gpt-oss-20b
  • ускорение генерации ответов в диалогах
  • ускорение решения математических задач
  • ускорение генерации кода

Ограничения

Требует целевую модель openai/gpt-oss-20b и совместимый стек инференса; скорость зависит от нагрузки и настроек. В README указано 0,8 млрд параметров, тогда как метаданные каталога сообщают 1,3 млрд.

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-20b-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-20b.

📊 Training Data

gpt-oss-20b-DFlash is trained on 800K samples, drawn from:

For all samples, the response portion was regenerated using the target model openai/gpt-oss-20b.

🚀 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-20b \
    --speculative-algorithm DFLASH \
    --speculative-draft-model-path z-lab/gpt-oss-20b-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-20b",
    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-20b \
  --speculative-config '{"method": "dflash", "model": "z-lab/gpt-oss-20b-DFlash", "num_speculative_tokens": 7}' \
  --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-20b",
    messages=[{"role": "user", "content": "Write a quicksort in Python."}],
    max_tokens=2048,
    temperature=0.0,
)
print(response.choices[0].message.content)

Evaluation

We use a block size of 8 (7 draft tokens) during speculation. DFlash consistently achieves high acceptance lengths and speedups across different concurrency levels. All experiments are conducted using SGLang on a single H200 GPU.

The numbers reported are end-to-end speedup (including prefill time). You can specify different block size during inference by passing --speculative-num-draft-tokens arguments when launch the server.

The reasoning effort is set to medium for all tasks. Low reasoning effort will give even higher acceptance length.

Math500GSM8KHumanEvalMT-Bench
Accept Len5.14.74.34.2
conc=12.2×2.0×2.0×1.9×
conc=42.1×2.0×2.1×2.0×
conc=82.2×2.0×2.2×2.0×
conc=161.9×1.8×2.1×1.9×
conc=321.8×1.7×1.9×1.7×

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
d53f655

0 моделей