一個更神奇的Qwen3.5-27B版本，推理速度暴漲5倍

Nobody Knows Qwen3.5-27B Better Than Me

證據如下：

寫無可寫，居然還有高手——Qwen3.5-27B-DFlash

它讓Qwen3.5-27B的推理速度直接起飛，最高能到5 倍加速，而且是無損加速，生成質量完全不打折

簡介

用大模型寫代碼、做數學題，模型想半天才吐一個 token 出來，GPU 利用率低得讓人心疼？

這就是自回歸解碼的老毛病了——一個 token 一個 token 地生，串行瓶頸在那擺著

之前業界用Speculative Decoding（推測解碼）來解決這個問題：先用一個小模型快速猜一串 token，再讓大模型并行驗證。EAGLE-3 是這個方向的 SOTA，但它的小模型還是自回歸的，加速比也就 2-3 倍，上限明顯

DFlash(z-lab.ai/projects/dflash)來了，直接把「猜」的過程從自回歸換成了擴散模型。一次前向傳播就能并行生成一整個 block 的 token，配合大模型驗證，在 Qwen3-8B 上實現了6 倍以上的無損加速，比 EAGLE-3 快了將近2.5 倍

下圖是 DFlash 的系統架構：

DFlash 架構圖

DFlash 來自z-lab（UCSD ML Systems Group），這幫人專做「讓 AI 更小、更快、更高效」的事，從算法到系統到應用全棧搞。論文已發（arXiv: 2602.06036），而且代碼全開源。

為什么 DFlash 這么快？

核心原因有兩個，搞懂了你就知道為什么這東西比 EAGLE-3 強這么多：

1. 擴散模型天然適合做「猜測」

EAGLE-3 的 drafter 是自回歸的，猜 8 個 token 就要跑 8 次前向傳播，成本線性增長。為了控制延遲，EAGLE-3 只能用極淺的模型（1 層 Transformer），猜測質量自然上不去

DFlash 用的是block diffusion模型——不管你要猜 8 個還是 16 個 token，都是一次前向傳播搞定。這意味著 drafter 可以做得更深（5 層 Transformer），模型更有表達力，猜得更準，但延遲反而更低。論文里有個數據很能說明問題：一個 5 層的 DFlash 生成 16 個 token 的延遲，比 1 層的 EAGLE-3 生成 8 個 token 還低

2. 關鍵洞察：「大模型自己就知道未來」

光用擴散模型還不夠。如果小模型完全從零開始猜，猜不準的。DFlash 的核心創新是：從大模型（target model）的隱藏層抽取特征，注入到 drafter 的每一層 KV cache 里

這跟 EAGLE-3 的做法有本質區別——EAGLE-3 只在輸入層融合 target 的特征，信息隨著層數增加會衰減。DFlash 是在 drafter 的每一層都注入，信息保持一致。這就是為什么 DFlash 的 acceptance length（被接受的草稿 token 數量）能隨著 drafter 層數有效增長，而 EAGLE-3 加層數收益遞減

Qwen3.5-27B-DFlash：最熱門的版本

DFlash 系列目前覆蓋了不少模型(huggingface.co/collections/z-lab/dflash)，完整列表如下：

目標模型

DFlash Drafter

Kimi-K2.5 (Preview)

z-lab/Kimi-K2.5-DFlash

Qwen3.5-4B

z-lab/Qwen3.5-4B-DFlash

Qwen3.5-9B

z-lab/Qwen3.5-9B-DFlash

Qwen3.5-27Bz-lab/Qwen3.5-27B-DFlash

Qwen3.5-35B-A3B

z-lab/Qwen3.5-35B-A3B-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

其中Qwen3.5-27B-DFlash是目前最熱門的版本，HuggingFace 上 5200+ 下載量、47 個 likes，drafter 模型只有2B 參數，非常輕量

為什么 27B 最受歡迎？因為它是性價比最優點——27B 夠強，能處理大部分任務，又不像 122B/397B 那樣對顯卡要求太高，配合 DFlash 加速后更是如虎添翼

實測數據

官方在單張 NVIDIA B200 上做了全面測試，數據很有說服力。以 Qwen3.5-27B 為例，block size = 16，thinking 模式開啟：

吞吐量對比（tok/s，越高越好）：

任務

并發

原版 (AR)

MTP

DFlash

Math500

1

84

243 (2.9x)

397 (4.7x)

Math500

8

625

1457 (2.3x)

2270 (3.6x)

HumanEval

1

83

236 (2.9x)

427 (5.2x)

HumanEval

8

602

1345 (2.2x)

2079 (3.5x)

MBPP

1

84

200 (2.4x)

347 (4.2x)

MT-Bench

1

84

169 (2.0x)

255 (3.0x)

單并發場景下，HumanEval 上直接5.2 倍加速，Math500 上4.7 倍

哪怕在并發 32 的高壓場景下，依然能維持1.5-1.9 倍的加速，這在生產環境里非常有價值

對比 MTP（Multi-Token Prediction），DFlash 在所有任務上都大幅領先。而且記住——這是無損加速，輸出質量跟原版一模一樣。

Acceptance Length 對比：

任務

B16 (MTP / DFlash)

Math500

7.14 /7.93

HumanEval

7.38 /9.18

MBPP

5.94 /7.27

MT-Bench

5.30 /5.47

HumanEval 上 DFlash 平均每輪能被接受9.18 個 token，這意味著一次猜測就能「猜中」大部分內容，效率極高

安裝與使用

DFlash 已經適配了三大主流推理框架：vLLM、SGLang和Transformers。

vLLM（推薦生產環境）

# 安裝（需要 nightly 版本）
uv pip install vllm
uv pip install -U vllm --torch-backend=auto --extra-index-url https://wheels.vllm.ai/nightly


 # 啟動服務
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

python -m sglang.launch_server \
    --model-path Qwen/Qwen3.5-27B \
    --speculative-algorithm DFLASH \
    --speculative-draft-model-path z-lab/Qwen3.5-27B-DFlash \
    --speculative-num-draft-tokens 16 \
    --tp-size 1 \
    --attention-backend fa3 \
    --mem-fraction-static 0.75 \
    --mamba-scheduler-strategy extra_buffer \
    --trust-remote-code

啟動后就是標準的 OpenAI 兼容 API，調用方式跟平時一樣：

from openai import OpenAI

 client = OpenAI(base_url="http://localhost:30000/v1", api_key="EMPTY")

 response = client.chat.completions.create(
    model="Qwen/Qwen3.5-27B",
    messages=[{"role": "user", "content": "Write a quicksort in Python."}],
    max_tokens=4096,
    temperature=0.0
)
print(response.choices[0].message.content)

Tip：對于長上下文或 Agent 場景，可以加--speculative-dflash-draft-window-size WINDOW_SIZE開啟 drafter 的滑動窗口注意力。

Transformers（本地快速體驗）

from transformers import AutoModel, AutoModelForCausalLM, AutoTokenizer

 # 加載 drafter 和 target
draft = AutoModel.from_pretrained(
    "z-lab/Qwen3.5-27B-DFlash", 
    trust_remote_code=True, dtype="auto", device_map="cuda:0"
).eval()
target = AutoModelForCausalLM.from_pretrained(
    "Qwen/Qwen3.5-27B", dtype="auto", device_map="cuda:0"
).eval()
tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen3.5-27B")

 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)

 # 推測解碼生成
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))

幾個值得關注的設計細節：

1. 訓練成本極低

Drafter 模型復用了 target model 的 embedding 層和 LM head（凍結），只訓練中間幾層 Transformer。以 27B 版本為例，drafter 才 2B 參數，訓練集用了大約 80 萬條樣本（來自 NVIDIA Nemotron 和 CodeAlpaca），用 target model 重新生成了響應來做訓練數據，保證對齊效果

2. 只需一步去噪

DFlash 推理時只做一步去噪（single denoising step），這跟傳統擴散模型需要多步迭代完全不同。因為它有 target model 的隱藏特征做條件，一步就夠了。這也是它比其他擴散解碼方法（如 DiffuSpec 需要 7B drafter）輕量得多的原因

3. Reasoning 模型也能加速

DFlash 對開啟了 thinking mode 的推理模型同樣有效。在 Qwen3-8B thinking 模式下，仍然能達到大約4.5 倍加速。對于動輒生成上千 token 思維鏈的推理模型來說，這個加速太有價值了

總結

DFlash 的核心貢獻可以用一句話概括：擴散模型不需要跟自回歸模型在生成質量上競爭，它只需要做一個優秀的「猜測者」

這個思路確實精妙——擴散模型負責高速并行猜測，自回歸模型負責驗證保底，兩全其美

優點：

• 加速比碾壓 EAGLE-3，實測高達 5 倍以上

• 完全無損，輸出跟原版一模一樣

• drafter 極其輕量（27B 版本 drafter 才 2B 參數）

• 已適配 vLLM + SGLang + Transformers 三大框架

• 覆蓋模型廣泛，Qwen3、Qwen3.5、Kimi-K2.5、gpt-oss 全都有

局限：

• 需要 nightly 版本的 vLLM/SGLang，穩定性可能有坑

• 目前 drafter 訓練代碼還未開源（不過已經承諾即將放出）

• 高并發場景加速比會下降（這是 speculative decoding 的通病）

• Qwen3.5-122B 和 397B 的 DFlash 版本還在路上

如果你在用 Qwen3.5-27B 做推理服務，DFlash 幾乎是個無腦加分項。多加載一個 2B 的 drafter，就能讓吞吐量翻好幾倍，簡直是免費的午餐

.5

制作不易，如果這篇文章覺得對你有用，可否點個關注。給我個三連擊：點贊、轉發和在看。若可以再給我加個，謝謝你看我的文章，我們下篇再見！