К содержимому
Другое

MFD-Qwen3.6-27B-100K

ускорение Qwen3.6-27B без потери качества

2 мин чтенияобновлено

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)
ПодробнееСреднее 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.
Обсудить Telegram 0 1

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 3.2 GB · готовые файлы4.0 GB
  • FP8 / INT8рекомендуемвеса 1.6 GB2.3 GB
  • 4-bitвеса 0.9 GB1.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # hhhhhhy5/MFD-Qwen3.6-27B-100K
    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 hhhhhhy5/MFD-Qwen3.6-27B-100K --local-dir ~/models/MFD-Qwen3.6-27B-100K
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к MFD-Qwen3.6-27B-100K
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Дообучение модели

z-lab/Qwen3.6-27B-DFlash

Новые посты про версии Qwen3.6-27B-DFlash — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face

О модели

hhhhhhy5/MFD-Qwen3.6-27B-100K
Автор
hhhhhhy5
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

10

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Языковые модели

BotPsy-0.8B

BotPsy-0.8B