z-lab dflash

好的，这是您要求的英文文章的中文翻译，已按照规范保留原文结构、代码块和技术术语。

---

z-lab dflash

原文内容：

DFlash: 用于快速推测解码的块扩散模型 [论文](链接) | [博客](链接) | [模型](链接)

DFlash 是一个轻量级的块扩散模型，专为推测解码设计。它能够实现高效且高质量的并行草稿生成。

DFlash_demo.mp4

支持的模型

| 模型 | DFlash 草稿模型 | | :--- | :--- | | gemma-4-26B-A4B-it | z-lab/gemma-4-26B-A4B-it-DFlash | | gemma-4-31B-it | z-lab/gemma-4-31B-it-DFlash | | Qwen3.6-27B | z-lab/Qwen3.6-27B-DFlash | | Qwen3.6-35B-A3B | z-lab/Qwen3.6-35B-A3B-DFlash | | MiniMax-M2.5 (Preview) | z-lab/MiniMax-M2.5-DFlash | | Kimi-K2.5 | z-lab/Kimi-K2.5-DFlash | | Qwen3.5-4B | z-lab/Qwen3.5-4B-DFlash | | Qwen3.5-9B | z-lab/Qwen3.5-9B-DFlash | | Qwen3.5-27B | z-lab/Qwen3.5-27B-DFlash | | Qwen3.5-35B-A3B | z-lab/Qwen3.5-35B-A3B-DFlash | | Qwen3.5-122B-A10B | z-lab/Qwen3.5-122B-A10B-DFlash | | Qwen3-Coder-Next | z-lab/Qwen3-Coder-Next-DFlash | | Qwen3-Coder-30B-A3B | z-lab/Qwen3-Coder-30B-A3B-DFlash | | gpt-oss-20b | z-lab/gpt-oss-20b-DFlash | | gpt-oss-120b | z-lab/gpt-oss-120b-DFlash | | Qwen3-4B (非思考模式) | z-lab/Qwen3-4B-DFlash-b16 | | Qwen3-8B (非思考模式) | z-lab/Qwen3-8B-DFlash-b16 | | Llama-3.1-8B-Instruct | z-lab/LLaMA3.1-8B-Instruct-DFlash-UltraChat | | DeepSeek-V4-Flash | 即将推出 | | DeepSeek-V4-Pro | 即将推出 | | MiniMax-M2.7 | 即将推出 | | GLM-5.1 | 即将推出 |

欢迎通过 GitHub issue 请求支持其他模型。我们也将很快开源训练方案，以便您可以训练自己的 DFlash 草稿模型来加速任何 LLM。

📦 安装

为每个后端使用独立的虚拟环境以避免冲突。

| 后端 | 安装命令 | | :--- | :--- | | Transformers | uv pip install -e ".[transformers]" | | SGLang | uv pip install -e ".[sglang]" | | vLLM | 见下方说明 | | MLX (Apple Silicon) | pip install -e ".[mlx]" |

vLLM:

vLLM v0.20.1+ 包含核心 DFlash 支持。对于大多数模型，使用标准安装：

uv pip install -e " .[vllm] "

Gemma4: DFlash 当前需要我们的临时 vLLM Gemma4 构建版本。推荐使用 Docker：

docker pull ghcr.io/z-lab/vllm-openai:gemma4-dflash-cu130

Gemma4 的源码回退方案：

uv pip install -U --torch-backend=auto \
  "vllm @ git+https://github.com/vllm-project/vllm.git@refs/pull/41703/head"

更新的非 Gemma4 SWA 草稿模型使用 SWA 支持分支：

uv pip install -U --torch-backend=auto \
  "vllm @ git+https://github.com/vllm-project/vllm.git@refs/pull/40898/head"

🚀 快速开始

vLLM

Gemma4 使用 Docker:

docker run --rm -it \
  --gpus all \
  --ipc=host \
  --shm-size=16g \
  -p 8000:8000 \
  -v ~/.cache/huggingface:/root/.cache/huggingface \
  ghcr.io/z-lab/vllm-openai:gemma4-dflash-cu130 \
  google/gemma-4-26B-A4B-it \
  --host 0.0.0.0 \
  --port 8000 \
  --speculative-config '{"method": "dflash", "model": "z-lab/gemma-4-26B-A4B-it-DFlash", "num_speculative_tokens": 15, "attention_backend": "flash_attn"}' \
  --attention-backend triton_attn \
  --max-num-batched-tokens 32768 \
  --trust-remote-code

非 Gemma4 模型:

vllm serve Qwen/Qwen3.5-27B \
  --speculative-config '{"method": "dflash", "model": "z-lab/Qwen3.5-27B-DFlash", "num_speculative_tokens": 15}' \
  --attention-backend flash_attn \
  --max-num-batched-tokens 32768

SGLang

export SGLANG_ALLOW_OVERWRITE_LONGER_CONTEXT_LEN=1
# 可选：启用调度重叠（实验性，可能不稳定）
# export SGLANG_ENABLE_SPEC_V2=1
# export SGLANG_ENABLE_DFLASH_SPEC_V2=1
# export SGLANG_ENABLE_OVERLAP_PLAN_STREAM=1

python -m sglang.launch_server \
  --model-path Qwen/Qwen3.5-35B-A3B \
  --speculative-algorithm DFLASH \
  --speculative-draft-model-path z-lab/Qwen3.5-35B-A3B-DFlash \
  --speculative-num-draft-tokens 16 \
  --tp-size 1 \
  --attention-backend trtllm_mha \
  --speculative-draft-attention-backend fa4 \
  --mem-fraction-static 0.75 \
  --mamba-scheduler-strategy extra_buffer \
  --trust-remote-code

Transformers

只有 Qwen3 和 LLaMA-3.1 模型支持 Transformers 后端。

from transformers import AutoModel, AutoModelForCausalLM, AutoTokenizer

draft = AutoModel.from_pretrained(
    "z-lab/Qwen3-8B-DFlash-b16",
    trust_remote_code=True,
    dtype="auto",
    device_map="cuda:0"
).eval()

target = AutoModelForCausalLM.from_pretrained(
    "Qwen/Qwen3-8B",
    dtype="auto",
    device_map="cuda:0"
).eval()

tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen3-8B")

messages = [{"role": "user", "content": "How many positive whole-number divisors does 196 have?"}]
input_ids = tokenizer.apply_chat_template(
    messages,
    return_tensors="pt",
    add_generation_prompt=True,
    enable_thinking=False
).to(draft.device)

output = draft.spec_generate(
    input_ids=input_ids,
    max_new_tokens=2048,
    temperature=0.0,
    target=target,
    stop_token_ids=[tokenizer.eos_token_id]
)

print(tokenizer.decode(output[0], skip_special_tokens=False))

MLX (Apple Silicon)

社区已经有许多优秀的 MLX 上的 DFlash 实现；我们在此提供一个简单高效的版本，已在 Apple M5 Pro 上使用 Qwen3、Qwen3.5 和 Gemma-4 模型测试通过。

from dflash.model_mlx import load, load_draft, stream_generate

model, tokenizer = load("Qwen/Qwen3.5-4B")
draft = load_draft("z-lab/Qwen3.5-4B-DFlash")

messages = [{"role": "user", "content": "How many positive whole-number divisors does 196 have?"}]
prompt = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True,
    enable_thinking=True
)

tps = 0.0
for r in stream_generate(
    model,
    draft,
    tokenizer,
    prompt,
    block_size=16,
    max_tokens=2048,
    temperature=0.6
):
    print(r.text, end="", flush=True)
    tps = r.generation_tps

print(f"\nThroughput: {tps:.2f} tok/s")

📊 评估

所有基准测试共享相同的数据集（gsm8k, math500, humaneval, mbpp, mt-bench）。数据集在首次运行时自动下载并缓存为 cache/ 目录下的 JSONL 文件。

vLLM:

python -m dflash.benchmark --backend vllm \
  --base-url http://127.0.0.1:8000 --model Qwen/Qwen3.5-27B \
  --dataset gsm8k --num-prompts 128 --concurrency 1 --enable-thinking

SGLang:

python -m dflash.benchmark --backend sglang \
  --base-url http://127.0.0.1:30000 --model Qwen/Qwen3.5-35B-A3B \
  --dataset gsm8k --num-prompts 128 --concurrency 1 --enable-thinking

Transformers (仅限 Qwen3 和 LLaMA):

# 命令未完整提供，请参考原文档