MFD-Qwen3.6-27B-100K
ускорение Qwen3.6-27B без потери качества
2 min readupdated
Draft-модель для speculative decoding целевой Qwen3.6-27B в thinking mode. Это DFlash block drafter на 1,73 млрд параметров (bf16) из проекта Multi-Future Drafting: он предлагает блоки токенов, а target проверяет их деревом за один проход. Выход остаётся собственным выходом target — декодирование lossless.
Ключевые особенности
- Архитектура: 5 слоёв шириной 5120, читает hidden states target со слоёв [1, 16, 31, 46, 61]; блок 16 (15 drafted positions).
- 8 обучаемых mode embeddings; все 8 будущих черновиков генерируются за один forward pass.
- Mixture draft tree оставляет B префиксов с наибольшей best-mode log-probability; target верифицирует дерево за один проход.
- Драфтер инициализирован из z-lab/Qwen3.6-27B-DFlash, лицензия Apache-2.0.
- Использует embedding и LM head target; сами веса target не хранятся в драфтере.
Пример
from model import DFlashDraftModel
from ddtree import ddtree_generate, enable_cpp_tree, enable_mode_attention
draft = DFlashDraftModel.from_pretrained('hhhhhhy5/MFD-Qwen3.6-27B-100K', dtype=torch.bfloat16).cuda().eval()
enable_cpp_tree(True, fused_logits=True); enable_mode_attention(True)
out = ddtree_generate(model=draft, target=target, input_ids=ids,
mask_token_id=draft.mask_token_id, max_new_tokens=4096,
block_size=draft.block_size, tree_budget=64,
stop_token_ids=[tok.eos_token_id], temperature=0.0)
Подробнее
Среднее ускорение над autoregressive decoding: 6,77× (τ = 8,91) при T = 0 и 5,94× (τ = 7,87) при T = 1; замер на GSM8K, MATH-500, HumanEval, MBPP и MT-Bench.Замеры: batch size 1, NVIDIA RTX PRO 6000 Blackwell, tree budget B = 64.
Драфтер 1730M bf16; target Qwen3.6-27B в thinking mode, embedding и LM head target используются во время работы.
Ограничения: batch size 1 в HF-пути; драфтер привязан к своему target.










Comments