大模型推理，加速王者：DFlash，即将支持 DeepSeek-V4

前文介绍了

然后发现 DFlash 更猛：加速高达 6 倍 ⚡

同等输出质量、完全无损，开源、即插即用 ⚡

DFlash 其实我之前简单介绍过：

本文事无巨细把 DFlash 这个项目掰开揉碎讲一遍

简介

大模型生成的本质是「自回归」 —— 第 N 个 token 必须等第 N-1 个 token 算完才能开始，token 之间是串行的，怎么也快不起来

业界目前最主流的解法叫 Speculative Decoding（投机解码）：

1. 找一个小的 draft 模型先飞快地"猜"出一串 token

2. 大的 target 模型并行验证这串 token

3. 验证通过的直接采纳，验证不过的丢掉重来

理论上能把吞吐拉很高，但目前最强的 EAGLE-3 也只能做到 2-3× 加速，因为 draft 模型自己也是自回归的，仍然是一个 token 一个 token 出，draft 这步本身就是瓶颈

DFlash 干的事很狠：把 draft 模型从自回归换成了 block diffusion（块扩散）模型

一次前向传播直接生成一整块 16 个 token，不再串行

结果就是：

• Qwen3-8B 上做到 6× 无损加速

• 比 EAGLE-3 快 2.5×

• 推理模型（开 thinking）上也有 4.5× 加速

直接把 diffusion 模型缩小当 drafter，效果其实很一般（5 层的朴素扩散 drafter 加速只有 3× 左右）—— 因为它太小了，想从零预测未来 token 不现实

但作者发现了一个白吃的午餐：大的 target 模型在生成第 N 个 token 时，hidden states 里其实已经隐含了第 N+1、N+2、N+3...的信息

那思路就清晰了 —— 把 target 的 hidden features 喂给 draft，让 draft "站在巨人的肩膀上"猜，而不是从零猜

为什么 diffusion 才是最佳形态

自回归 drafter 的成本随 token 数线性增长，所以 EAGLE-3 不得不把网络砍到只剩 1 层 transformer，质量自然受限

扩散 drafter 一次前向出全部 token，成本和 token 数几乎无关

❝ 一个多层的 DFlash 生成 16 个 token，比 1 层 EAGLE-3 生成 8 个 token 还快

更深的网络 + 更多的 token + 更低的延迟，听起来像作弊但确实成立

draft 模型直接复用 target 的 embedding 和 LM head，只有中间几层是新训练的，参数量保持极低

整套流程分三步：

1. Feature Fusion ：从 target 模型多层均匀采样 hidden features，经过一个轻量级投影融合

2. KV Injection ：融合后的特征直接注入 draft 模型 每一层 的 K/V 投影里，存进 KV cache —— 这是和 EAGLE-3 最关键的区别。EAGLE-3 只在第一层喂特征，越往后稀释越严重；DFlash 每层都灌，acceptance length 随深度 正向 增长

3. Parallel Drafting ：基于这套丰富 context 一次性预测下一块 token

Qwen3-8B 在各类 benchmark 上的 greedy decoding 加速倍数（DFlash 用 block 16 + 1 步去噪，EAGLE-3 用 spec 长度 7）：

任务

原速

EAGLE-3

DFlash

GSM8K

1×

2.13×

5.20×

MATH-500

1×

2.18×

6.17×

AIME24

1×

2.25×

5.91×

AIME25

1×

2.18×

5.85×

HumanEval

1×

2.48×

5.20×

MBPP

1×

2.27×

4.75×

LiveCodeBench

1×

2.24×

5.43×

SWE-Bench

1×

1.90×

2.92×

MT-Bench

1×

1.94×

2.79×

Alpaca

1×

1.88×

2.27×

数学和代码场景下，DFlash 直接是 EAGLE-3 的 2 倍以上速度

温度采样（temp=1）以及开 thinking 模式下，DFlash 同样有 ~4.5× 的稳定加速

已支持的模型

DFlash 把现在的开源主力基本兜住了：

类别

模型

Gemma 系列

gemma-4-26B-A4B-it / gemma-4-31B-it

Qwen 系列

Qwen3.6-27B / Qwen3.6-35B-A3B / Qwen3.5-4B/9B/27B/35B-A3B/122B-A10B

Coder 系列

Qwen3-Coder-Next / Qwen3-Coder-30B-A3B

大厂模型

MiniMax-M2.5（preview）/ Kimi-K2.5

OSS

gpt-oss-20b / gpt-oss-120b

即将到来

DeepSeek-V4-Flash / V4-Pro / MiniMax-M2.7 / GLM-5.1

要新模型？GitHub 提 issue 就行，作者也表示会开源训练 recipe，到时候你自己训一个 draft 模型加速任意 LLM

安装

DFlash 同时支持四个后端 —— vLLM、SGLang、Transformers、MLX（M 系列 Mac），按需选

# Transformers
uv pip install -e ".[transformers]"

 # SGLang
uv pip install -e ".[sglang]"

 # vLLM（v0.20.1+ 已经核内核支持）
uv pip install -e ".[vllm]"

 # MLX（Apple Silicon）
pip install -e ".[mlx]"

Gemma 4 的 vLLM 支持还在 PR 阶段，作者直接给了 docker 镜像：

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

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

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

export SGLANG_ALLOW_OVERWRITE_LONGER_CONTEXT_LEN=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 \
  --trust-remote-code

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))

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")

Mac 用户终于能在本地享受到 5× 推理加速了，这条对苹果用户非常友好

总结

DFlash 这个项目最大的价值，老章总结成一句话：

❝ 它把扩散模型的角色重新定义了 —— 扩散模型不需要去和自回归 LLM 比生成质量，它只要做好「极快极准的 drafter」就够了，质量由 target 模型最后做投机验证来兜底

适合谁用？

• 生产环境部署 LLM 的同学 ：vLLM / SGLang 都已经原生支持，加个 --speculative-config 就能上，开发成本极低

• 手头有 Apple Silicon 的同学 ：MLX 后端实测可用，本地大模型一夜之间快 5 倍

• 做推理加速 / 投机解码方向研究的同学 ：论文 + 代码 + 训练 recipe 即将全开源，是个好的二次创新基础

不适合谁？

• 单卡显存吃紧的同学要注意，draft 模型也要占显存

• 极小模型（< 3B）加速空间本身就不大，性价比一般

支持的模型清单还在快速扩张，DeepSeek-V4 系列、GLM-5.1 都在 coming soon 里，未来一段时间值得持续关注

制作不易，如果这篇文章觉得对你有用，可否点个关注。给我个三连击：点赞、转发和在看。若可以再给我加个，谢谢你看我的文章，我们下篇再见！