К содержимому
Другое

LFM3-1.7B-DFlash-Drafter

ускоритель генерации для LFM3-1.7B

2 мин чтенияобновлено

Компактная модель-черновик для speculative decoding (спекулятивного декодирования — метода ускорения генерации, когда маленькая модель быстро угадывает несколько токенов вперёд, а основная проверяет их за один проход). Адаптер состоит всего из 3 слоёв трансформера (157,3 млн обучаемых параметров), считывает внутренние состояния базовой модели LiquidAI/LFM3-1.7B и предсказывает сразу 7 следующих токенов. Благодаря точной верификации со стороны основной модели текст на выходе остаётся посимвольно идентичным оригиналу, но генерируется заметно быстрее. Разработка от сообщества Lottolabs создана для стека инференса на ускорителях Tenstorrent Blackhole P150.

Ключевые особенности

  • Архитектура в стиле DFlash: за один проход без каузальной маски внутри блока модель генерирует сразу 7 кандидатов, опираясь на нормализованные выходы 2-го, 12-го и 23-го слоёв основной LFM3-1.7B.
  • Урезанный словарь черновика: для предсказаний используется замороженная выходная голова самой LFM3-1.7B, ограниченная 65 536 самыми частыми токенами, что покрывает более 99% токенов в чате, коде и математике.
  • Гибридная работа в рантайме: при наличии совпадений в промпте (например, при редактировании кода) используется классический поиск по промпту, а в остальных случаях включается нейросетевой drafter с адаптивной глубиной проверки по уровню уверенности (calibration.json).
  • Обучение методом самодистилляции: модель обучалась на одной видеокарте RTX 3090 на 63,35 млн токенов собственных ответов LFM3-1.7B с учётом квантования (BFP4/BFP8) целевого чекпоинта.

Что можно сделать

  • Ускорить локальный инференс LFM3-1.7B на Tenstorrent P150: подключить экспортную папку с весами (LFM3_DRAFTER) к совместимому серверу LFM3-1.7B-TT-Mixed-BFP4-BFP8-P150 для прироста скорости в диалогах и рассуждениях без потери качества.
  • Изучить код обучения DFlash-драфтеров: использовать скрипты drafter.py, train.py и calibrate.py из репозитория для адаптации подобного спекулятивного декодирования под другие компактные языковые модели.

Пример

PYTHONPATH=. venv/bin/python train.py runs/r4 --data data/train.npz --steps 11000 --save_every 500 --direct \
  --block 8 --gamma 4 --anchor_frac 0.125 --taps 2,12,23 --lr 4e-4 --min_lr 4e-5
ПодробнееСкорость на одном пользователе (Tenstorrent P150, по сравнению с обычным prompt lookup): обычный чат вырос с 285.0 до 364.0 tok/s (1.28x), чат с промптом 2K токенов — с 338.5 до 406.8 tok/s (1.20x), задачи GSM8K — с 332.4 до 499.8 tok/s (1.50x).
Среднее число принятых токенов за раунд (tau) при 7 черновиках: 2.34 в greedy-режиме и 2.07 при сэмплировании.
Требования и ограничения: не является самостоятельной LLM — требует доступа к скрытым состояниям, эмбеддингам и голове LFM3-1.7B; для обучения использовалась одна RTX 3090 (24 ГБ VRAM, пиковое потребление 18.5 ГБ).
Формат весов: model.safetensors в BF16 (314.6 МБ, чекпоинт шага 11 000).
Обсудить Telegram 1 20

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.3 GB · готовые файлы0.8 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.7 GB
  • 4-bitвеса 0.1 GB0.6 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.

    # Lottolabs/LFM3-1.7B-DFlash-Drafter
    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 Lottolabs/LFM3-1.7B-DFlash-Drafter --local-dir ~/models/LFM3-1.7B-DFlash-Drafter
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к LFM3-1.7B-DFlash-Drafter
  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

LiquidAI/LFM3-1.7B
  1. LFM3-1.7B-Baseоснова семьи
  2. LFM3-1.7B
  3. LFM3-1.7B-DFlash-Drafter

Новые посты про версии LFM3-1.7B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 9Все на Hugging Face

О модели

Lottolabs/LFM3-1.7B-DFlash-Drafter
Автор
Lottolabs
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

201

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии