К содержимому
Другое

JunHill/gui-planner-dflash2

ускоритель инференса для GUI-агента на Qwen3.8-27B

2 мин чтенияобновлено

Эта модель на 1.92B параметров — специализированная draft-модель (лёгкая вспомогательная нейросеть для алгоритма speculative decoding, которая заранее предсказывает несколько токенов, чтобы основная модель проверяла их пачкой), дообученная для работы в связке с «замороженным» GUI-планировщиком Qwen3.8-27B. Она не работает самостоятельно и не содержит весов основной модели, токенизатора или шаблона чата, а служит исключительно для ускорения генерации действий в графическом интерфейсе. За основу взят чекпоинт z-lab/Qwen3.8-27B-DFlash2, в котором автор JunHill полностью переобучил все параметры черновика без использования LoRA. Решение пригодится разработчикам GUI-агентов, которые разворачивают Qwen3.8-27B в vLLM и хотят повысить скорость отклика при сохранении архитектуры DFlash2.

Ключевые особенности

  • Полный файнтюн без LoRA: обновлены все 1,924,404,480 параметров draft-модели за 2 эпохи (126 шагов оптимизатора) на 1,999 примерах планирования GUI.
  • Архитектура DFlash2: 5 слоёв, hidden size 5,120, скользящее окно 2,048 токенов, динамические свёртки и селектор top-16 кандидатов с рангом 256.
  • Прирост пропускной способности: при размере блока 12 на инференсе скорость достигает 68.51 токенов/с против 44.19 токенов/с у обычной генерации (ускорение в 1.55×).
  • Неполная эквивалентность выводов: при ускорении сгенерированные последовательности и вызовы инструментов (tool calls) могут отличаться от ванильного инференса.

Что можно сделать

  • Подключить чекпоинт как draft_model в vLLM к совместимому целевому планировщику Qwen3.8-27B для ускорения работы мультимодального GUI-агента.
  • Настраивать длину спекулятивного блока при запуске (7, 11 или 15 токенов), балансируя между скоростью и точностью совпадения tool calls.
  • Использовать комплектный скрипт serve_planner.py для соблюдения строгих Qwen XML-схем при вызове инструментов.

Пример

export TARGET_MODEL="/path/to/matching/planner-target"
export DRAFT_MODEL="JunHill/gui-planner-dflash2"
export VLLM_USE_V2_MODEL_RUNNER=1

vllm serve "${TARGET_MODEL}" --dtype bfloat16 --tensor-parallel-size 2 \
  --tool-call-parser qwen3_xml --enable-auto-tool-choice \
  --speculative-config '{"method":"dflash","model":"JunHill/gui-planner-dflash2","num_speculative_tokens":11,"draft_sample_method":"greedy"}'
ПодробнееБенчмарк (250 тестов, batch size 1, TP2 на 2× H800): при блоке 12 acceptance length составил 4.311, скорость — 68.51 tok/s (1.550×), совпадение tool calls с базой — 81.2%; при блоке 16 совпадение tool calls достигает 85.2% (67.33 tok/s).
Стек и требования: проверено на vLLM 0.32.0+cu129 с обязательным флагом VLLM_USE_V2_MODEL_RUNNER=1 (V1 runner не поддерживается), контекст до 65,536 токенов, лимит до 4 изображений на промпт.
Ограничения: в репозитории нет весов целевой модели Qwen3.8-27B, датасета и токенизатора; обучение велось на 8× NVIDIA H800; лицензия Apache 2.0.
Обсудить Telegram 0 20

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 3.6 GB · готовые файлы4.4 GB
  • FP8 / INT8рекомендуемвеса 1.8 GB2.5 GB
  • 4-bitвеса 1.0 GB1.6 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.

    # JunHill/gui-planner-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 JunHill/gui-planner-dflash2 --local-dir ~/models/gui-planner-dflash2
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к gui-planner-dflash2
  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/Qwen3.8-27B-DFlash2
  1. Qwen3.8-27Bоснова семьи
  2. Qwen3.8-27B-DFlash2
  3. gui-planner-dflash2

Новые посты про версии Qwen3.8-27B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 2Все на Hugging Face

О модели

JunHill/gui-planner-dflash2
Автор
JunHill
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

200

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии