К содержимому
Другое

qwen2.5-3b-instruct-eagle3

ускорение генерации Qwen2.5-3B в vLLM

2 мин чтенияобновлено

Лёгкая черновая «голова» (draft head) для спекулятивного декодирования (speculative decoding — метод ускорения, при котором маленькая модель предсказывает токены вперёд, а основная их быстро проверяет) модели Qwen/Qwen2.5-3B-Instruct. Адаптер весом 0.47B параметров от автора ressf построен на архитектуре EAGLE-3 с одним слоем декодера и словарём на 32 000 токенов. В отличие от стандартного запуска базовой модели, эта надстройка ускоряет выдачу токенов до 22% при небольшой нагрузке, сохраняя качество ответов почти на исходном уровне. Пригодится разработчикам, которые разворачивают Qwen2.5-3B-Instruct на локальных или серверных GPU с низкой параллельной нагрузкой.

Ключевые особенности

  • Прирост скорости генерации от +18% до +22% при одновременной работе от 1 до 16 клиентов (на RTX 5070 Ti 16 GB в FP16).
  • Обучена с помощью библиотеки speculators на 9 618 диалогах из UltraChat, перегенерированных самой Qwen2.5-3B-Instruct.
  • Средняя длина принятия черновых токенов (mean acceptance length) составляет 1.52; оптимальный режим — 1 спекулятивный токен за шаг.
  • Качество на подвыборках близко к оригиналу: 0.580 против 0.585 на GSM8K и IFEval.

Что можно сделать

  • Ускорить локальный сервер инференса на базе vLLM 0.29.0 для чат-ботов или ассистентов с небольшим числом одновременных запросов.
  • Использовать как готовый референс и точку отсчёта для экспериментов со спекулятивным декодированием в связке с TRITON_ATTN.

Пример

VLLM_USE_V2_MODEL_RUNNER=0 vllm serve Qwen/Qwen2.5-3B-Instruct --dtype half --attention-backend TRITON_ATTN \
  --speculative-config '{"method":"eagle3","model":"","num_speculative_tokens":1,"attention_backend":"TRITON_ATTN"}'
ПодробнееСкорость (output tok/s на RTX 5070 Ti 16 GB): +20% (1 клиент), +22% (2–8 клиентов), +18% (16), +11% (32), −4% (64).
Метрики (с головой / без): GSM8K 0.580 / 0.585, IFEval 0.580 / 0.585, MMLU-Pro 134.4 / 136.7 из 350.
Ограничения: при высоком батче (64 клиента) и на FP8-квантованной модели на 32–64 клиентах работает медленнее базовой.
Лицензия: Qwen Research License (содержит матрицу эмбеддингов базовой модели).
Обсудить Telegram 0 22

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.9 GB · готовые файлы1.5 GB
  • FP8 / INT8рекомендуемвеса 0.4 GB1.0 GB
  • 4-bitвеса 0.2 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.

    # ressf/qwen2.5-3b-instruct-eagle3
    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 ressf/qwen2.5-3b-instruct-eagle3 --local-dir ~/models/qwen2.5-3b-instruct-eagle3
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к qwen2.5-3b-instruct-eagle3
  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/Qwen2.5-3B-Instruct
  1. Qwen2.5-3Bоснова семьи
  2. Qwen2.5-3B-Instruct
  3. qwen2.5-3b-instruct-eagle3

Новые посты про версии Qwen2.5-3B — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 12Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 2Все на Hugging Face
Слияния 3Все на Hugging Face

О модели

ressf/qwen2.5-3b-instruct-eagle3
Автор
ressf
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

220

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии