Um cartão de título principal para o Ling 3.0 Flash DSPark com o subtítulo 'O rascunhador de 1,36B que foi discretamente lançado para o Ling 3.0 Flash', mostrando um pequeno cartão de rascunhador rotulado como 'Drafter 1.36B' passando uma fileira de chips de token para um grande cartão rotulado como 'Ling 3.0 Flash 124B', com uma marca de verificação sobre os chips aceitos e uma seta de avanço rápido entre os dois cartões, e o logotipo do OrcaRouter no canto inferior direito.
Engineering & Research

Ling 3.0 Flash DSPark: o rascunhista de 1,36B que chegou silenciosamente para o Ling 3.0 Flash

Autor

Elias Hawthorne

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

O Ling 3.0 Flash DSPark é um modelo de rascunho de 1,36 bilhão de parâmetros que o laboratório inclusionAI do Ant Group enviou ao Hugging Face em 9 de agosto sem comunicado à imprensa, sem postagem em blog e sem tópico de lançamento — um repositório que, no momento em que este texto foi escrito, exibe sete downloads e um like. Não é uma nova versão do Ling 3.0 Flash e não é um modelo que você jamais chamará diretamente. É um componente de decodificação especulativa: carregue-o na frente do Ling 3.0 Flash e ele propõe tokens para o modelo grande verificar, permitindo que o MoE de 124B/5.1B emita vários tokens por forward pass em vez de apenas um. Tudo o que está abaixo que não seja visivelmente verdadeiro a partir do próprio repositório está rotulado como não confirmado, porque o fornecedor não disse nada.

Ant Group anunciou o Ling 3.0 Flash em 27 de julho e disponibilizou seus pesos sob a licença MIT em 7 de agosto. O repositório DSPark é uma empreitada separada e mais discreta: criado em 9 de agosto, descrito apenas em um model card que identifica o checkpoint como "um especulador DSpark para o Ling3", e alterado novamente em 21 de agosto com uma atualização do config.json. Sem anúncio, sem página de documentação, sem post de blog com benchmarks. Este texto reúne o que o repositório realmente diz e marca o restante como perguntas em aberto.

O que é um "especulador DSpark", sem o jargão

A decodificação especulativa executa um modelo pequeno e barato à frente do modelo real. O modelo pequeno (o rascunhador) adivinha o próximo punhado de tokens; o modelo grande (o alvo) verifica todo o lote em uma única passagem direta e mantém os palpites com os quais concorda. Quando o rascunhador está certo, uma passagem direta do alvo produz vários tokens, então a taxa de transferência aumenta sem tocar nos pesos do alvo.

DSpark é uma versão dessa ideia dos pesquisadores da DeepSeek — introduzida em julho de 2026 e já implantada dentro do DeepSeek-V4 — e é o algoritmo que o SGLang chama de DSPARK. Duas coisas o distinguem de um rascunhador comum. Ele estende o DFlash (uma abordagem de rascunho paralelo) com recursos auxiliares extraídos do próprio modelo-alvo, de modo que o rascunhador recebe informações sobre o que o modelo grande está fazendo. E ele carrega uma cabeça de confiança que pontua cada token proposto e interrompe o bloco antecipadamente quando um sufixo parece improvável de sobreviver à verificação — para não gastar uma etapa de verificação em tokens que estão prestes a ser descartados.

A flow diagram titled 'How DSpark speeds up Ling 3.0 Flash' showing a card labeled 'Drafter 1.36B proposes 8 tokens' with a row of eight token chips flowing into a card labeled 'Target verifies in one pass' with a checkmark over the accepted chips, a note reading 'Confidence head trims low-confidence suffixes', and a footer 'A cheap model proposes, a strong model verifies — output is unchanged', with the OrcaRouter logo in the bottom-right corner.

O checkpoint Ling-3.0-flash-dspark implementa exatamente isso: um especulador treinado com SpecForge, dimensionado para propor blocos de oito tokens de rascunho, com uma largura de verificação de nove tokens uma vez que o token de bônus do alvo seja contado.

O que o repositório diz, exatamente.

A ficha do modelo é enxuta, mas específica. O {{1}}Ling 3.0 Flash DSPark{{/1}} é um modelo de rascunho com ~1,36 bilhão de parâmetros (1.363.707.905 parâmetros, BF16) e cinco camadas de transformer com atenção total, tamanho oculto de 2.560 e atenção multi-cabeça com 32 cabeças de consulta e 32 cabeças de chave/valor. Ele lê características auxiliares de cinco camadas do modelo alvo — a ficha lista as camadas 1, 11, 23, 29 e 35 — e combina isso com uma cabeça de confiança descrita como {{2}}"cabeça de Markov vanilla, rank 256."{{/2}} Seu embedding posicional atinge o máximo de {{3}}262.144{{/3}}, o mesmo contexto de 256K que o modelo alvo possui.

• Parâmetros — 1.363.707.905 (~1,36B), BF16, aproximadamente 2,7 GB de pesos.

• Arquitetura — 5 camadas de atenção completa, tamanho oculto 2.560, MHA com 32 cabeças de consulta e 32 de chave/valor; marcado como qwen3.

• Ganchos de destino — recursos auxiliares das camadas 1, 11, 23, 29 e 35 do Ling 3.0 Flash.

• Cabeça de confiança — uma cabeça de Markov vanilla, rank 256.

• Bloqueio — 8 fichas de draft; verificar largura 9 incluindo a ficha de bônus alvo.

• Contexto — 262,144 embeddings de posição, correspondendo à janela nativa de 256K do alvo.

A one-column scoreboard for Ling 3.0 Flash DSPark listing: role DSpark speculator (draft model), draft params 1.36B (1,363,707,905) BF16, block 8 draft tokens (verify width 9), mean acceptance 5.29 of 9 (vendor), context 262,144, license other — not yet stated, with a footer 'All figures vendor-reported; no independent scores yet', and the OrcaRouter logo in the bottom-right corner.

Essa última linha importa para o planejamento de implantação: o rascunhador é construído para o mesmo perfil de serviço de contexto longo que o alvo, portanto, não reduz o contexto sobre o qual você pode especular.

Os números de aceitação, leia com atenção.

O cartão relata um conjunto de métricas de desempenho: comprimento médio de aceitação, definido como "o número médio de tokens aceitos por etapa de verificação especulativa, incluindo o token de bônus alvo." Em nove cargas de trabalho, a média macro é 5,29 — aproximadamente cinco das nove posições aceitas por etapa de verificação, que é o número que impulsionaria a aceleração. A variação por carga de trabalho mostra onde o modelo de rascunho é forte:

• Código e matemática — GSM8K 6.40, MATH-500 6.29, HumanEval 6.57, MBPP 6.34, LiveCodeBench 5.33.

• Raciocínio — AIME 2025 5.56.

• Conversacional — MT-Bench 3.92, Alpaca 3.51, Arena-Hard-v2 3.72.

Três ressalvas acompanham esses números. São comprimentos de aceitação, não acelerações de ponta a ponta: a placa não publica números de tokens por segundo, então "5,29 tokens aceitos" ainda não foi convertido em uma afirmação de "x vezes mais rápido" para este modelo. São relatados pelo fornecedor e não reproduzidos — ninguém fora da inclusionAI publicou uma medição. E são dependentes do contexto: o comprimento de aceitação varia com a carga de trabalho, a temperatura de amostragem e o checkpoint exato do alvo, então trate a coluna de código e matemática como o caso forte e a coluna de chat como o extremo inferior realista.

O que está confirmado e o que não está

Confirmado pelo repositório público: o checkpoint existe e pode ser baixado; é um especulador DSpark para Ling 3.0 Flash; foi treinado com SpecForge; é servido por meio do algoritmo DSPARK do SGLang; e foi criado em 9 de agosto e atualizado recentemente em 21 de agosto.

Não confirmado, e vale a pena ser preciso quanto a isso: a licença. O frontmatter do card mostra license: other, sem texto de licença anexado — então, ao contrário dos pesos do Ling 3.0 Flash, licenciados sob MIT, os termos do especulador DSPark estão atualmente indefinidos. Também não confirmado: que os comprimentos de aceitação se reproduzem em outros hardwares, o que eles implicam em tokens por segundo de ponta a ponta, se algum provedor de inferência atende o modelo de rascunho (nada sugere que sim) e se um anúncio oficial está por vir. Nada disso é acusação; o lançamento tem menos de duas semanas. São a diferença entre um componente promissor e um verificado.

Executando.

Na prática, você precisa de uma compilação do SGLang com suporte a DSPARK — o algoritmo foi lançado no SGLang v0.5.16 em julho, por volta da integração DSpark conduzida pelo DeepSeek-V4. Inicie o servidor apontando para o modelo alvo e nomeie o drafter:

sglang serve --trust-remote-code --model-path <LING3_MODEL_PATH> --tp-size <TP_SIZE> --speculative-algorithm DSPARK --speculative-draft-model-path <LING3_DSPARK_MODEL_PATH>

O comando vem do próprio card do modelo; o tamanho do bloco é lido da configuração do drafter. Ainda não há caminho via llama.cpp — a arquitetura híbrida KDA + MLA exige um fork personalizado até mesmo para o modelo principal, então o especulador é uma questão do SGLang por enquanto.

A screenshot of the Hugging Face model page for inclusionAI/Ling-3.0-flash-dspark, showing the model card 'Ling3-DSpark — A DSpark speculator for Ling3', the tags (text-generation, transformers, safetensors, qwen3, speculative-decoding, dspark, dflash, specforge, sglang), the draft model specifications (1,363,707,905 params, BF16, hidden size 2,560, 5 full-attention layers, MHA 32 query and 32 key/value heads, target auxiliary feature layers 1/11/23/29/35, confidence head vanilla Markov head rank 256, DSpark block size 8 draft tokens, maximum position embeddings 262,144), the acceptance-length section, license other, model size 1B params, and downloads last month 7 (captured August 22, 2026).

Se vale a pena correr

O Ling 3.0 Flash DSPark só funciona se você mesmo estiver servindo o Ling 3.0 Flash. É um componente local: cerca de 2,7 GB de pesos extras em BF16 ao lado de um modelo alvo de 124B, uma compilação do SGLang que suporta o algoritmo, e hardware com memória de sobra. O benefício é um comprimento de aceitação maior do que um típico rascunhador pequeno, em troca da memória e das partes móveis. Para equipes que já operam o modelo alvo em suas próprias GPUs com cargas interativas limitadas por latência, o rascunhador é algo barato de medir — duas flags, decodificação gulosa, uma olhada no delta de tokens por segundo. Para qualquer pessoa que chame o Ling 3.0 Flash por meio de uma API hospedada, é irrelevante: você não pode anexar um rascunhador local à stack de serving de outra pessoa.

A lacuna de honestidade do model card é o principal fator a considerar. Uma aceitação média de 5,29 é um número forte — o speculator DSpark do DeepSeek-V4 relatou comprimentos de aceitação na faixa de 3,2 a 3,6, conforme o relatório do LMSYS, e o drafter LFM2.5-2.6B da Liquid AI obteve média de 4,83 — mas comprimento de aceitação não significa aceleração, e, até que alguém publique o throughput de ponta a ponta para essa combinação exata, a magnitude do ganho é uma estimativa.

E é aqui que a combinação auto-hospedado versus hospedado se torna a decisão real. Um drafter é mais uma peça auto-hospedada na frente de um modelo que também está disponível como API — e manter essas duas opções comparáveis é exatamente o trabalho que uma camada de roteamento faz. Uma API para mais de 200 modelos, failover automático quando um provedor degrada e preços de lista dos provedores repassados com margem de 0% permitem que você execute seu próprio servidor Ling-3.0-flash para o caminho crítico de latência, roteando o restante do tráfego para endpoints hospedados, e alterne por configuração em vez de reescrita. O drafter DSPark não muda onde o Ling 3.0 Flash é executado; ele muda a rapidez com que é executado quando está no seu hardware.

As perguntas em aberto a observar

Fique atento a quatro coisas. Um anúncio oficial ou post de blog preencheria o contexto que falta em torno do lançamento. Um número publicado de tokens por segundo — da inclusionAI ou de qualquer outro — transformaria o número de aceitação de 5.29 em um ganho de velocidade real. Uma mudança de licença de other para uma licença nomeada eliminaria o maior obstáculo para uso em produção. E um provedor começando a servir o Ling 3.0 Flash com especulação ativada mudaria o cálculo para quem não faz self-host de forma alguma.

Até então, o Ling 3.0 Flash DSPark é o que seu repositório diz que é: um especulador DSpark real, baixável, de 1.36B, para o Ling 3.0 Flash, lançado sem alarde, com números de aceitação fortes, porém não verificados, e sem speedup publicado. Essa é uma base viável para um experimento — e uma descrição honesta de um componente que ninguém ainda mediu de forma independente.

Comparados neste artigo1

Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente