К содержимому
Другое

Arete DFlash2 Drafter

ускорение больших LLM в vLLM без потери качества

2 мин чтения

Лёгкая draft-модель (вспомогательная нейросеть для спекулятивного декодирования) на 1.92B параметров от автора SargeDev. Она заранее предсказывает блоки из 7 токенов, а основная большая модель проверяет их за один проход, что заметно ускоряет генерацию текста при полностью идентичном результате. Адаптер создан на базе incoai/Qwen3.8-27B-DFlash2 (Z-Lab DFlash2) и дообучен в течение 7 эпох на данных модели Arete-27B-Uncensored. Пригодится всем, кто разворачивает 27B-модели локально или на сервере через vLLM и хочет получить прирост скорости без деградации ответов.

Ключевые особенности

  • Совместимость из коробки: работает с тремя целевыми моделями — SargeDev/Arete-27B-Uncensored-V2, оригинальной NousResearch/Arete-27B и базовой Qwen/Qwen3.8-27B.
  • 100% идентичность вывода: при жадном декодировании (greedy) модель показала 5/5 совпадений по промптам с обычным запуском без drafter.
  • Высокий процент принятия токенов: в среднем модель принимает от 2.97 до 3.80 токенов за блок из 7 предложенных (draft rate до 40.0%).
  • Нативная поддержка vLLM: экспортирована в формате z-lab (DFlash2DraftModel + dflash_config) для прямого подключения через флаг --speculative-config.

Что можно сделать

  • Ускорить инференс цензурированной или нецензурированной версии Arete-27B в vLLM (версии 0.28 и выше) без потери качества генерации.
  • Подключить модель как спекулятивный ускоритель для базовой Qwen/Qwen3.8-27B, где она показывает наибольшую среднюю длину принятия токенов (3.80).

Пример

vllm serve  \
  --speculative-config '{"method": "dflash", "model": "SargeDev/arete-dflash2-incoai", "num_speculative_tokens": 7}'
Подробнее Бенчмарки (vLLM 0.28, кластер 2x GB10): для Qwen3.8-27B — accept_len 3.80 (draft rate 40.0%), для Arete-27B-Uncensored — 3.00 (28.6%), для Arete-27B — 2.97 (28.2%).
Обучение: 7 эпох на 6 903 строках (на базе корпуса SargeDev/jev-distill-corpus-v3), извлечение скрытых состояний со слоёв 6/20/34/48/62/64 с помощью vllm-project/speculators 0.9.0a0.
Лицензия: Apache-2.0 (для базового drafter; целевая Arete-27B распространяется под cc-by-nc-4.0).
Обсудить Telegram 0

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.

    # SargeDev/arete-dflash2-incoai
    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 SargeDev/arete-dflash2-incoai --local-dir ~/models/arete-dflash2-incoai
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к arete-dflash2-incoai
  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

incoai/Qwen3.8-27B-DFlash2
  1. Qwen3.8-27Bоснова семьи
  2. Qwen3.8-27B-DFlash2
  3. arete-dflash2-incoai

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

SargeDev/arete-dflash2-incoai
Автор
SargeDev
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии