К содержимому
Другое

Qwen3-ASR-1.7B-dflash2

экспериментальный ускоритель для распознавания речи

2 мин чтенияобновлено

Компактная черновая модель (draft) на 353,2M параметров для спекулятивного декодирования (метода ускорения генерации, когда лёгкая модель предлагает сразу несколько токенов вперёд, а основная их проверяет) в связке с Qwen/Qwen3-ASR-1.7B. Разработка от автора wilsonzheng0327 построена на базе опубликованной версии DFlash и дополнена динамическими каузальными свёртками и селектором кандидатов (ранжировщиком топ-16 вариантов на позицию). В отличие от базового черновика, модель использует полный словарь целевой нейросети на 151 936 токенов без собственной выходной головы. Подойдёт инженерам и исследователям, которые оптимизируют инференс ASR-систем (распознавания речи) и экспериментируют с архитектурой DFlash2 в SGLang.

Ключевые особенности

  • Рост длины принятия токенов: в офлайн-тестах при жадном декодировании модель принимает на 5,0% больше токенов за раунд на коротких аудиозаписях и на 6,1% больше на длинных по сравнению с обычным DFlash.
  • Новая архитектура DFlash2: к базовым 5 слоям Qwen3 добавлены групповые динамические каузальные свёртки (10,6M параметров) и селектор кандидатов (78,3M параметров), который обеспечивает основной прирост точности предсказаний.
  • Без потери качества распознавания: при работе в связке с основной моделью итоговые метрики ошибок WER (1,44–1,48% для английского) и CER (0,38% для китайского) остаются неизменными.
  • Честный нюанс с реальной скоростью: из-за более тяжёлого расчёта каждого раунда (+5% к стоимости шага) прирост принятых токенов в продакшн-стеке sglang-omni нивелируется, и итоговое ускорение остаётся на уровне первой версии DFlash (до 1,70x на английском и 1,55x на китайском).

Что можно сделать

  • Ускорить транскрибацию аудио: использовать модель как черновик для Qwen3-ASR-1.7B при распознавании речи на английском, китайском и японском языках, получая прирост скорости до 1,26x–1,70x при разной нагрузке.
  • Изучить работу селектора кандидатов: протестировать поведение архитектуры DFlash2 в связке с SGLang 0.5.23 для дальнейшей оптимизации стоимости раунда в спекулятивном декодировании.

Пример

Сценарий работы: черновая модель принимает последний подтверждённый токен-якорь и за один раунд предлагает сразу 7 следующих токенов с помощью селектора кандидатов из топ-16 вариантов. Целевая модель Qwen3-ASR-1.7B проверяет предложенную последовательность, принимает совпавший префикс и добавляет один свой токен, сокращая общее число проходов тяжёлой нейросети.

ПодробнееОфлайн-метрики (средняя длина принятых токенов): 5,70 на коротких записях (против 5,43 у DFlash) и 5,91 на длинных (против 5,57).
Скорость в SGLang 0.5.23 на одной GPU NVIDIA H200: 1,70x (en, concurrency 1) и 1,55x (zh, concurrency 1).
Ограничения: это пилотный релиз; стандартный sglang-omni пока не загружает DFlash2 из коробки без локальных правок, а первый запуск компилирует ядро FlashInfer около 13 минут.
Обучение и лицензия: 173 936 аудиофрагментов (16,8M токенов) в формате bf16, открытая лицензия Apache-2.0.
Обсудить Telegram 0 30

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.7 GB · готовые файлы1.2 GB
  • FP8 / INT8рекомендуемвеса 0.3 GB0.9 GB
  • 4-bitвеса 0.2 GB0.7 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.

    # wilsonzheng0327/Qwen3-ASR-1.7B-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 wilsonzheng0327/Qwen3-ASR-1.7B-dflash2 --local-dir ~/models/Qwen3-ASR-1.7B-dflash2
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к Qwen3-ASR-1.7B-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

Qwen/Qwen3-ASR-1.7B

Новые посты про версии Qwen3-ASR-1.7B — 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

wilsonzheng0327/Qwen3-ASR-1.7B-dflash2
Автор
wilsonzheng0327
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

300

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии