Qwen3.5-4B-speculator.lilicorr
ускоритель генерации для Qwen3.5-4B
2 min readupdated
Специализированная draft-модель (черновая модель для ускорения генерации) на базе архитектуры LiLiCorr, созданная для совместной работы с Qwen/Qwen3.5-4B. Вместо стандартного поштучного выбора лучших токенов она использует основу DFlash и дополнительную решетчатую голову (candidate-lattice head), которая переоценивает top-k кандидатов на каждой позиции и позволяет движку инференса принимать сразу целый путь по решетке. Модель размером 0.55B параметров обучена автором MeganEFlynn с помощью библиотеки speculators на данных, сгенерированных самой Qwen3.5-4B. Подойдёт разработчикам, которые разворачивают Qwen3.5-4B на vLLM и хотят сократить задержки при генерации текста.
Ключевые особенности
- Компактная 5-слойная draft-архитектура (0.55B параметров), берущая скрытые состояния со слоёв 2, 9, 16, 23 и 30 целевой модели.
- Решетчатая голова (lattice head) повышает метрику
lilicorr_ealдо 7.100 против 6.157 у базовогоtop1_eal. - Обучена на 100 401 диалоге (~443.6M токенов), регенерированном самой
Qwen3.5-4B(on-policy), что повышает процент принятия токенов. - Поддерживает предсказание блоков длиной 16 токенов (15 спекулятивных токенов за шаг).
Что можно сделать
- Подключить в качестве спекулятивного декодера при запуске
Qwen/Qwen3.5-4Bчерез vLLM для ускорения ответов в чат-ботах и API-сервисах. - Использовать как референс и базу для экспериментов с методом LiLiCorr и библиотекой
speculatorsв пайплайнах инференса.
Пример
vllm serve Qwen/Qwen3.5-4B \
--speculative-config '{"method": "dflash", "model": "MeganEFlynn/Qwen3.5-4B-speculator.lilicorr", "num_speculative_tokens": 15, "draft_sample_method": "greedy"}'
Подробнее
Валидация (10% отложенная выборка): lilicorr_eal — 7.100 (oracle headroom — 9.579), точность принятия первого токена — 88.46%, всего блока — 45.69%.Обучение: 1 эпоха (40 091 шаг) на ~5.8% подвыборке open-perfectblend, длина последовательности 3072, оптимизатор muon, vLLM 0.32.0.
Ограничения: модель обучена только на 5.8% датасета в течение 1 эпохи; замеры скорости реального сервинга (SpeedBench) не опубликованы.










Comments