2026年8月27日，面向GLM-5.3-Flash的DFlash 2草稿模型公开上线。它并不是可单独对话的语言模型，而是部署在推测解码服务中的辅助模型：先并行提出一组候选Token，再由GLM-5.3-Flash统一验证。其价值不只是“多猜几个词”，而是通过块扩散、位置候选集和轻量路径选择器，同时改善草稿速度与接受长度。相关模型卡可见GLM-5.3-Flash-DFlash2说明，实现框架则收录在DFlash项目仓库。
DFlash 2为什么要改造草稿阶段
传统自回归生成必须逐Token运行，后一个Token依赖前一个Token。普通推测解码虽然让小模型先生成草稿、大模型批量验证，但不少草稿模型本身仍按顺序生成，因此候选块越长，草稿耗时越容易线性增加。DFlash的原始论文把轻量块扩散模型引入这一阶段，让多个候选位置在一次前向传播中并行预测，并利用目标模型提取的上下文特征提高草稿质量。该论文最初提交于2026年2月5日，修订版发布于2026年5月28日，已被ICML 2026接收，详见DFlash论文页面。
DFlash 2延续了并行起草思路，但不再要求每个位置只保留一个最终猜测。根据2026年8月公开的模型说明，它会在块中每个位置保留若干高概率候选，再由轻量选择器寻找一条前后连贯的候选路径；骨干网络中的双抽头动态卷积，则用于减轻草稿质量在块尾部逐渐下降的问题。这相当于把“一次押中整串答案”，改成“先为各位置准备候选，再快速组合出最可信路径”。
接受长度为何比单点命中率更重要
接受长度可以理解为每次目标模型执行验证时，平均能够确认并推进多少个完成Token。它比某一个位置的命中率更接近端到端性能，因为服务真正关心的是一次验证能够让输出向前走多远。草稿第一个Token很准，但后续位置迅速失真，依然会频繁触发拒绝与重采样；如果整条路径保持连贯，验证次数便会减少。
GLM-5.3-Flash-DFlash2模型卡披露的测试采用四张NVIDIA GB300、SGLang、块大小8，即每轮提出7个草稿Token，并使用GLM-5.3-Flash推荐的temperature 1.0和top-p 0.95。DFlash 2在GSM8K、MATH-500、HumanEval、MBPP和MT-Bench上的接受长度分别为5.78、5.86、5.32、4.85和4.03，均高于同页列出的原生MTP结果。不过，这些数字只适用于公开测试配置，不能直接外推到其他GPU、量化权重、上下文长度或业务提示词。
接受长度如何转化为吞吐增益
吞吐提升来自一个直观关系：每轮付出“草稿生成加目标验证”的成本，却能一次确认多个Token。接受长度越高，验证成本被摊薄得越充分；但实际增益仍会受到草稿前向延迟、目标模型批量验证效率、KV缓存、并发量以及任务可预测性的共同影响。
在上述四张GB300测试中，单并发下DFlash 2相对自回归解码的公开加速比分别为：GSM8K 2.42倍、MATH-500 2.79倍、HumanEval 2.62倍、MBPP 2.39倍、MT-Bench 1.73倍。并发32时，对应增益收敛到1.44倍至2.01倍。这说明DFlash 2并非提供固定倍率，而是在单请求延迟和中高并发吞吐之间呈现不同收益，具体数据见官方模型卡评测。
2026年8月28日，社区还公开了GLM-5.3-Flash、DFlash 2与两台DGX Spark的部署记录。该测试报告称，在其特定TP2、量化权重和补丁环境中，代码提示的单流解码达到46.9 Token每秒，草稿接受率为74.1%，相对报告中的MTP-4基线为2.15倍。由于这是社区工程测试，并且硬件、提示词和软件补丁均具有特殊性，更适合作为可部署性案例，而不是通用性能承诺，详见DGX Spark复现仓库。
“无损采样”并不等于草稿永远正确
DFlash 2中的“无损”主要描述输出分布，而不是说草稿模型不会猜错。草稿Token只是提案，最终接受、拒绝和分布校正仍由GLM-5.3-Flash控制。贪心解码时，经过验证后的输出应与目标模型直接贪心生成一致；随机采样时，算法通过目标分布校验及拒绝后的校正采样，使最终结果保持目标模型原有分布。模型卡明确说明，贪心输出与目标模型匹配，采样则保留目标分布。
因此，DFlash 2可以大胆提出候选，却不能自行篡改目标模型的决策。错误草稿最多降低接受长度并增加验证轮次，而不应直接变成最终输出。这也是它与直接换用更小模型的本质区别：前者优化计算路径，后者通常会改变模型能力和输出分布。
部署时应重点观察哪些指标
- 平均接受长度：比只看首Token接受率更能反映每轮验证的有效推进量。
- 端到端吞吐：同时记录输出Token每秒、并发量和请求长度，避免只报告草稿模型速度。
- 任务差异：代码、数学和结构化输出通常比自由文本更可预测，应分别测试。
- 延迟构成：拆分草稿、验证、调度和KV缓存成本，判断瓶颈是否真的位于解码阶段。
- 采样一致性：贪心模式可逐Token比对；随机采样应检查分布保持机制，而不能要求同一随机运行逐字相同。
- 授权边界：当前草稿模型页面标注CC BY-NC-ND 4.0，商业部署前应核实授权条件。
总结
DFlash 2为GLM-5.3-Flash带来的关键变化，是把推测解码从“快速生成一条草稿”推进到“并行生成位置候选并筛选连贯路径”。块扩散压缩草稿生成的串行成本，候选保留和轻量选择器改善块内连贯性，更高的接受长度再转化为更少的目标验证轮次。无损性的基础则始终未变：GLM-5.3-Flash拥有最终验证权，草稿模型只负责提高候选效率。对部署者而言，公开结果展示了明确潜力，但真正有价值的结论仍应来自自身硬件、并发结构和业务提示词下的端到端复测。
事件或资料日期：GLM-5.3-Flash-DFlash2模型资料更新于2026年8月27日；DGX Spark社区部署及测试记录发布于2026年8月28日；DFlash论文初版提交于2026年2月5日，修订版发布于2026年5月28日。
资料来源：DFlash 2模型卡；Z Lab官方代码仓库；DFlash论文；社区部署复现记录。
