Skip to content
Other

Qwen3-ASR-1.7B-dflash2

экспериментальный ускоритель для распознавания речи

2 min readupdated

Компактная черновая модель (draft) на 353,2M параметров для спекулятивного декодирования (метода ускорения генерации, когда лёгкая модель предлагает сразу несколько токенов вперёд, а основная их проверяет) в связке с Qwen/Qwen3-ASR-1.7B. Разработка от автора wilsonzheng0327 построена на базе опубликованной версии DFlash и дополнена динамическими каузальными свёртками и селектором кандидатов (ранжировщиком топ-16 вариантов на позицию). В отличие от базового черновика, модель использует полный словарь целевой нейросети на 151 936 токенов без собственной выходной головы. Подойдёт инженерам и исследователям, которые оптимизируют инференс ASR-систем (распознавания речи) и экспериментируют с архитектурой DFlash2 в SGLang.

Ключевые особенности

  • Рост длины принятия токенов: в офлайн-тестах при жадном декодировании модель принимает на 5,0% больше токенов за раунд на коротких аудиозаписях и на 6,1% больше на длинных по сравнению с обычным DFlash.
  • Новая архитектура DFlash2: к базовым 5 слоям Qwen3 добавлены групповые динамические каузальные свёртки (10,6M параметров) и селектор кандидатов (78,3M параметров), который обеспечивает основной прирост точности предсказаний.
  • Без потери качества распознавания: при работе в связке с основной моделью итоговые метрики ошибок WER (1,44–1,48% для английского) и CER (0,38% для китайского) остаются неизменными.
  • Честный нюанс с реальной скоростью: из-за более тяжёлого расчёта каждого раунда (+5% к стоимости шага) прирост принятых токенов в продакшн-стеке sglang-omni нивелируется, и итоговое ускорение остаётся на уровне первой версии DFlash (до 1,70x на английском и 1,55x на китайском).

Что можно сделать

  • Ускорить транскрибацию аудио: использовать модель как черновик для Qwen3-ASR-1.7B при распознавании речи на английском, китайском и японском языках, получая прирост скорости до 1,26x–1,70x при разной нагрузке.
  • Изучить работу селектора кандидатов: протестировать поведение архитектуры DFlash2 в связке с SGLang 0.5.23 для дальнейшей оптимизации стоимости раунда в спекулятивном декодировании.

Пример

Сценарий работы: черновая модель принимает последний подтверждённый токен-якорь и за один раунд предлагает сразу 7 следующих токенов с помощью селектора кандидатов из топ-16 вариантов. Целевая модель Qwen3-ASR-1.7B проверяет предложенную последовательность, принимает совпавший префикс и добавляет один свой токен, сокращая общее число проходов тяжёлой нейросети.

ПодробнееОфлайн-метрики (средняя длина принятых токенов): 5,70 на коротких записях (против 5,43 у DFlash) и 5,91 на длинных (против 5,57).
Скорость в SGLang 0.5.23 на одной GPU NVIDIA H200: 1,70x (en, concurrency 1) и 1,55x (zh, concurrency 1).
Ограничения: это пилотный релиз; стандартный sglang-omni пока не загружает DFlash2 из коробки без локальных правок, а первый запуск компилирует ядро FlashInfer около 13 минут.
Обучение и лицензия: 173 936 аудиофрагментов (16,8M токенов) в формате bf16, открытая лицензия Apache-2.0.
Discuss Telegram 0 30

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 0.7 GB · ready files1.2 GB
  • FP8 / INT8recommendedweights 0.3 GB0.9 GB
  • 4-bitweights 0.2 GB0.7 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # wilsonzheng0327/Qwen3-ASR-1.7B-dflash2
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download wilsonzheng0327/Qwen3-ASR-1.7B-dflash2 --local-dir ~/models/Qwen3-ASR-1.7B-dflash2
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to Qwen3-ASR-1.7B-dflash2
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of Qwen3-ASR-1.7B (quants, finetunes, LoRAs) will show up under the bell.

Quantised versions 12All on Hugging Face
Fine-tunes 12All on Hugging Face
LoRAs and adapters 2All on Hugging Face

About the model

wilsonzheng0327/Qwen3-ASR-1.7B-dflash2
Author
wilsonzheng0327
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

300

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments