К содержимому
Другое

Qwen3.5-4B-speculator.lilicorr

ускоритель генерации для Qwen3.5-4B

2 мин чтенияобновлено

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_eal до 7.100 против 6.157 у базового top1_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/Qwen3.5-4B через vLLM для ускорения ответов в чат-ботах и API-сервисах.
  • Использовать как референс и базу для экспериментов с методом LiLiCorr и библиотекой speculators в 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"}'
ПодробнееВалидация (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.
Обсудить Telegram 0 25

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 1.0 GB · готовые файлы1.6 GB
  • FP8 / INT8рекомендуемвеса 0.5 GB1.1 GB
  • 4-bitвеса 0.3 GB0.8 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.

    # MeganEFlynn/Qwen3.5-4B-speculator.lilicorr
    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 MeganEFlynn/Qwen3.5-4B-speculator.lilicorr --local-dir ~/models/Qwen3.5-4B-speculator.lilicorr
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3.5-4B-speculator.lilicorr
  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

Qwen/Qwen3.5-4B
  1. Qwen3.5-4B-Baseоснова семьи
  2. Qwen3.5-4B
  3. Qwen3.5-4B-speculator.lilicorr

Новые посты про версии Qwen3.5-4B-Base — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 12Все на Hugging Face
Слияния 1Все на Hugging Face

О модели

MeganEFlynn/Qwen3.5-4B-speculator.lilicorr
Автор
MeganEFlynn
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

250

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии